MAKALAH

UJI REGRESI LINIER BERGANDA

Dosen Pengampu: Titi Rohaeti, M.Pd.

Makalah ini Disusun Untuk Memenuhi

Tugas Mata Kuliah: Statistika

Disusun Oleh :
Kelompok 5
Akuntansi/21-A1B-R1

Alisa Febriana 210121037

Kardilah 210121033
Nurhalimah 210121026
Sindi Kurnia 210121089

PRODI AKUNTANSI
FAKULTAS EKONOMI
UNIVERSITAS MUHAMMADIYAH CIREBON
2022
 KATA PENGANTAR

Pertama-tama kami panjatkan puja dan puji syukur ke hadirat Allah SWT.
Atas rahmat dan ridho-Nya, kami dapat menyelesaikan makalah yang berjudul "Uji
Regresi Linier Berganda= dengan baik dan tepat waktu.
Tidak lupa kami mengucapkan terima kasih kepada Ibu Titi Rohaeti, M,Pd.
selaku dosen pengajar mata kuliah Statistika yang telah memberikan tugas kepada
kami. Kami juga mengucapkan terima kasih kepada teman-teman yang telah
berkontribusi dalam pembuatan makalah ini.
Kami menyadari bahwa tulisan ini tidak luput dari kekurangan-kekurangan.
Hal ini disebabkan oleh keterbatasan pengetahuan dan kemampuan yang kami
miliki. Oleh karena itu, semua kritik dan saran pembaca akan penulis terima dengan
senang hati demi perbaikan makalah lebih lanjut. Kami juga berharap semoga
makalah ini mampu memberikan pengetahuan tentang konsep dari kewirausahaan
ala Rasulullah SAW.

Cirebon, 03 Juni 2022

Penyusun

ii
 DAFTAR ISI

UJI REGRESI LINIER BERGANDA

KATA PENGANTAR ............................................................................................... ii

DAFTAR ISI ............................................................................................................. iii

BAB I PENDAHULUAN ...................................................................................... 1

A. Latar Belakang ............................................................................................... 1

B. Rumusan Masalah ......................................................................................... 2

C. Tujuan ............................................................................................................. 2

BAB II PEMBAHASAN........................................................................................ 3

A. Pengertian Regresi Linier Berganda .......................................................... 3

B. Asumsi Klasik Regresi Linier Berganda .................................................... 5

C. Regresi Ganda Dua Prediktor ..................................................................... 7

D. Analisis Regregi Tiga Prediktor ................................................................ 12

BAB III PENUTUP .............................................................................................. 20

A. Kesimpulan ................................................................................................... 20

B. Saran dan Kritik .......................................................................................... 20

DAFTAR PUSTAKA .............................................................................................. 21

iii
 1

BAB I

PENDAHULUAN

A. Latar Belakang
Analisis regresi merupakan salah satu teknik analisis data dalam
statistika yang seringkali digunakan untuk mengkaji hubungan antara beberapa
variabel dan meramal suatu variabel. Istilah <regresi= pertama kali
dikemukakan oleh Sir Francis Galton (1822-1911), seorang antropolog dan ahli
meteorologi terkenal dari Inggris. Dalam makalahnya yang berjudul
“Regression towards mediocrity in hereditary stature=, yang dimuat dalam
Journal of the Anthropological Institute, volume 15, hal. 246-263, tahun 1885.
Galton menjelaskan bahwa biji keturunan tidak cenderung menyerupai biji
induknya dalam hal besarnya, namun lebih medioker (lebih mendekati rata-rata)
lebih kecil daripada induknya kalau induknya besar dan lebih besar daripada
induknya kalau induknya sangat kecil.

Dalam mengkaji hubungan antara beberapa variabel menggunakan

analisis regresi, terlebih dahulu peneliti menentukan satu variabel yang disebut
dengan variabel tidak bebas dan satu atau lebih variabel bebas. Jika ingin dikaji
hubungan atau pengaruh satu variabel bebas terhadap variabel tidak bebas,
maka model regresi yang digunakan adalah model regresi linier sederhana.
Kemudian Jika ingin dikaji hubungan atau pengaruh dua atau lebih variabel
bebas (variable prediktor) terhadap variabel tidak bebas, maka model regresi
yang digunakan adalah model regresi linier berganda (multiple linear
regression model). Pada model ini terdapat dua analisis yaitu analisi regresi
ganda dua prediktor dan analisis regresi tiga prediktor.
 2

B. Rumusan Masalah
1. Apa yang dimaksud dengan regresi linier berganda?
2. Bagaimana Asumsi regresi linier berganda?
3. Bagaimana konsep regresi ganda dua prediktor?
4. Bagaimana konsep analisis regresi tiga prediktor?

C. Tujuan
1. Untuk mengetahui dan memahami tentang regresi linier berganda.
2. Untuk mengetahui banyaknya asumsi regresi liner berganda.
3. Untuk mengetahui dan memahami konsep regresi ganda dua prediktor.
4. Untuk mengetahui dan memahami konsep analisis regresi tiga prediktor.
 3

BAB II

PEMBAHASAN

A. Pengertian Regresi Linier Berganda

Istilah regresi dikembangkan oleh Galton. Galton melakukan analisis
perbandingan antara tinggi badan anak laki-laki dengan tinggi badan ayahnya.
Hasilnya disimpulkan bahwa rata-ratatinggi badan anak lak i-laki dari ayah
yang tinggi kurang dibandingkan dengan rata-rata ayah mereka. Sebaliknya
rata-rata tinggi anak laki-laki dari ayah yang pendek, lebih dari rata-rata tinggi
ayah mereka.

Dalam mengetahui hubungan antara tinggi ayah dan anak laki-laki maka
dapat menggambarkan tinggi ayah pada absis X dan tinggi anak pada ordinat
Y, sehingga diperoleh diagram pencar dari nilai X dan Y. Jika ditarik suatu garis
lurus yang berjarak jumlah kuadrat jarak vertikal dari setiap titik maka garis
lurus inilah yang disebut dengan garis regresi. Dengan hubungan antara tinggi
ayah dan anak laki-laki tersebut maka persamaannya Y = a + bX menunjukkan
hubungan linier Y dengan X. Berdasarkan persamaan tersebut jika diketahui
nilai X dan Y, maka estimasi a dan b dengan mudah ditentukan. Nilai a
menunjukkan pemotongan Y terhadap garis regresi, sedangkan nilai b yakni
koefisien X disebut koefisien regresi,

Regresi tidak lain adalah bentuk hubungan antara variabel prediktor dan
variable respon. Hubungan ini biasanya dinyatakan dalam bentuk persamaan
matematis yang bentuknya dapat linier maupun non-linier. Persamaan yang
dihasilkan merupakan sebuah prediksi yang menggambarkan hubungan antara
variabel prediktor dan variable respon.

Regresi berkaitan erat dengan korelasi. Setiap regresi pasti ada

korelasinya tetapi korelasi belum tentu dilanjutkan dengan regresi. Korelasi
yang tidak dilanjutkan regresi adalah korelasi antara dua variabel yang tidak
mempunyai hubungan kausal sebab akibat atau hubungan fungsional. Oleh
 4

karena itu analisis regresi dilakukan apabila hubungan dua variabel mempunyai
hubungan kausal atau hubungan fungsional.

Analisis regresi terdiri atas berbagai jenis, salah satunya adalah regresi
linier berganda. Analisis regersi linier berganda adalah analisis yang melibatkan
lebih dari satu variabel bebas atau prediktor. Dalam bahasa Inggris, model ini
disebut dengan multiple linier regression. Perbedaan regresi linier sederhana
dengan regresi linier berganda adalah pada analisis regresi sederhana hanya
melibatkan satu variabel dependen dan satu variabel independen. Sedangkan
regresi linear berganda menggunakan jumlah variabel bebas yang berjumlah
lebih dari satu.

Analisis regresi linier berganda dilakukan untuk mengetahui arah dan

seberapa besar pengaruh variabel independen terhadap variabel dependen.
Analisis regresi berganda digunakan o|eh peneliti, bila peneliti bermaksud
meramalkan bagaimana keadaan (naik turunnya) variabel dependen (kriterium),
bila dua atau lebih variabel independen sebagai faktor prediktor dimanipulasi
(dinaik turunkan nilainya).

Selain itu, regresi linier berganda digunakan untuk mengetahui

linearitas hubungan dua atau lebih variabel independen dengan satu variable
dependen dan dapat pula digunakan untuk memprediksi harga variabel
dependen jika harga-harga variabel independen diketahui. Rumus umum
persamaan linier regresi ganda adalah: Ŷ = a + b1X1 + b2X2

Sebelum menggunakan analisis regresi ganda perlu dikontrol terhadap

beberapa kondisi yang berkaitan dengan data. Beberapa syarat yang harus
dikontrol dan dipenuhi dalam analisis regresi ganda dijelaskan Irianto (2004)
sebagai berikut:

1. Sampel harus diambil secara acak (random) dari populasi yang berdistribusi
normal.
 5

2. Oleh karena sampel diambil dari populasi yang berdistribusi normal, maka
sampel juga harus berdistribusi normal. Normalitas dapat diatasi dengan
mengambil sampel banyak. Disamping itu, normalitas dapat diuji dengan
normalitas menggunakan uji Liliefors.
3. Data variabel terikat harus berskala interval atau skala ratio, sedangkan
skala untuk variabel bebas tidak harus interval atau ratio tetapi bisa juga
untuk data yang berskala lebih rendah. Dalam hal ini data variabel bebas
diubah dengan sistem coding (pemberian tanda tertentu).
4. Antara variabel bebas dengan variabel terikat mempunyai hubungan secara
teoritis dan melalui perhitungan korelasi sederhana dapat diuji signifikansi
hubungan tersebut. Jika ternyata antara variabel bebas dengan variabel
terikat tidak mempunyai hubungan sederhana yang signifikan maka korelasi
ganda pun tidak akan signifikan.
5. Persamaan regresi yang terbentuk harus linier.

Langkah-langkah perhitungan dalam analisis regresi ganda dinyatakan

sebagai berikut:

1. Menentukan persamaan regresi ganda Y atas X1, X2 dan X3.

2. Menguji signifikansi persamaan regresi ganda Y atas X1, X2 dan X3.
3. Menghitung koefisien korelasi ganda dan koefisien determinasinya.
4. Menguji signifikansi koefisien persamaan regresi ganda Y atas X1, X2 dan
X3.
5. Memberi kesimpulan atas semua hasil analisis yang telah diperoleh

B. Asumsi Klasik Regresi Linier Berganda

Regresi linier juga memiliki syarat atau asumsi klasik yang harus
terpenuhi agar model prediksi yang dihasilkan nantinya bersifat BLUE (Best
Linear Unbiased Estimation). Asumsi klasik pada regresi linier berganda antara
lain:
 6

1. Data interval atau rasio

Skala data semua variabel terutama variabel terikat adalah interval atau
rasio. Asumsi ini tidak perlu diuji, cukup kita pastikan bahwa data yang
digunakan adalah data interval atau rasio (numeric atau kuantitatif).

2. Linearitas

Variabel bebas berhubungan dengan variabel terikat. Asumsi linearitas

diuji dengan uji linearitas regresi, misalnya dengan kurva estimasi. Dengan
kurva estimasi kita bisa menentukan ada hubungan linier atau tidak dengan
melihat nilai p value linearitas. Jika p value < 0,05 maka terdapat hubungan
yang linear antara prediktor dan response.

3. Normalitas residual

Residual adalah beda antara y dengan y prediksi. Dalam hal ini, y adalah
variabel terikat, sedangkan y prediksi adalah y hasil persamaan regresi yang
dibuat. Dengan demikian, residual dibangun dengan rumus y – y prediksi.
Asumsi normalitas pada regresi linear adalah pada residualnya, bukan pada data
per variabel. Uji asumsi normalitas regresi linear dapat diuji dengan berbagai
metode uji normalitas, seperti uji Shapiro wilk, Lilliefors, atau Kolmogorov
smirnov, Anderson darling, Ryan joiner, Shapiro francia, Jarque bera, Skewness
kurtosis test, dan berbagai jenis uji normalitas lainnya.

4. Non outlier

Outlier disebut dengan data pencilan atau data yang nilainya extreme
atau lain dari pada yang lainnya. Batasan outlier tidak bisa dilihat dari nilai
absolut studentized residual. Jika absolut studentized residual > 3, maka sampel
atau observasi yang dimaksud menjadi outlier.

5. Homoskedastisitas

Homoskedastisitas adalah sebuah kondisi saat varians dari error bersifat

konstan atau tetap. Dengan kata lain, varians dari error bersifat identic untuk
 7

setiap pengamatan. Kebalikan dari homoskedastisitas adalah

heteroskedastisitas. Model regresi linear berganda yang baik adalah model yang
bebas dari kondisi heteroskedastisitas. Untuk menguji homoskedastisitas
regresi linear berganda, dapat digunakan uji homoskedastisitas dari glejser, uji
park, uji white, spearman heteroskedastisitas, dan masih banyak uji lainnya.

6. Non Multikolinearitas

Multikolinearitas adalah keadaan saat terdapat interkorelasi atau

korelasi kuat antar variabel bebas di dalam model. Dinyatakan ada interkorelasi
jika korelasi antar variabel bebas di dalam model regresi linear berganda > 0,8.
Beberapa pakar menggunakan batasan lebih dari 0,9. Cara lain yang lebih
objektif adalah dengan menggunakan nilai variance inflating factor (VIF) dan
tolerance. Dikatakan ada multikolinearitas jika nilai VIF > 10 dan/atau nilai
tolerance < 0,01. Berdasarkan uraian di atas, maka jelas sekali bahwa asumsi
multikolinearitas hanya ada dalam regresi linear berganda dan tidak ada pada
regresi linear sederhana. Sebab pada regresi linear berganda ada lebih dari satu
variabel bebas, sedangkan pada regresi linear sederhana hanya ada satu variabel
bebas.

7. Non Autokorelasi

Autokorelasi dapat diartikan bahwa terdapat korelasi antar waktu.

Sehingga bisa diartikan dengan mudah bahwa autokorelasi ini sering terjadi
pada regresi linear berganda dengan data time series atau runtun waktu dan
jarang sekali terjadi pada data cross section.

C. Regresi Ganda Dua Prediktor

Analisis regresi dua prediktor adalah sebuah teknik analisis yang

digunakan untuk mengetahui hubungan antara dua prediktor (X1 dan X2)
dengan kriterium. Hubungan ini digunakan sebagai suatu model regresi yang
digunakan untuk meramalkan atau meprediksi nilai (Y) berdasarkan nilai (X)
tertentu. Dengan analisis regresi akan diketahui prediktor yang benar -benar
 8

signifikan mempengaruhi kriterium dan dengan variabel yang signifikan tadi

dapat digunakan untuk memprediksi nilai kriterium.

Contoh:

Penelitian dilakukan untuk mengetahui pengaruh kemampuan kerja

pegawai dan kepemimpinan direktif tehadap produktrvitas kerja pegawai.
Berdasakan 10 responden yang digunakan sebagai sumber data penelitian,
hasilnya adalah sebagai berikut:

No
Responden X1 X2 Y
1 10 7 23
2 2 3 7
3 4 2 15
4 6 4 17
5 8 6 23
6 7 5 22
7 4 3 10
8 6 3 14
9 7 4 20
10 6 3 19

Untuk mendapat meramalkan bagaimana produktivitas kerja pegawai

bila kemampuan pegawai dan kepemimpinan direktif dinaikkan atau
diturunkan, maka harus dicari persamaan regresinya terlebih dahulu. Untuk
keperluan ini, maka data mentah dari hasil penelitian perlu disusun ke dalam
tabel. Dari tiga instrumen yang dikembangkan untuk menjaring data tentang
tingkat kemampuan kerja pegawai, kepemimpinan direktif dan produktivitas
kerjanya hasilnya dapat diberikan pada tabel berikut:Untuk menghitung harga-
harga a, b¡ , b¢ dapat menggunakan persamaan berikut: (untuk regresi dua
prediktor).
 9

TABEL PENOLONG UNTUK MENGHITUNG

PERSAMAAN REGRESI GANDA DUA PREDIKTOR

No
Responden Y X¡ X¢ X¡Y X¢Y X¡X¢ X¡^2 X¢^2
1 23 10 7 230 161 70 100 49
2 7 2 3 14 21 6 4 9
3 15 4 2 60 30 8 16 4
4 17 6 4 102 68 24 36 16
5 23 8 6 184 138 48 64 36
6 22 7 5 154 110 35 49 25
7 10 4 3 40 30 12 16 9
8 14 6 3 84 42 18 36 9
9 20 7 4 140 80 28 49 16
10 19 6 3 114 57 18 36 9
Jumlah 170 60 40 1122 737 267 406 182

Keterangan:

Y = produktivitas kerja

X¡ = kemampuan kerja pegawai

X¢ = kepemimpinan direktif

Dari data tabel diperoleh :

Y = 170 X¢Y = 737

X¡ = 60 X¡X¢ = 267

X¢ = 40 X¡2 = 406

X¡Y = 1122 x¢2 = 182

 10

Untuk menghitung harga-harga a, b¡ , b¢ dapat menggunakan persamaan

berikut: (untuk regresi dua prediktor).

Y = an + b¡X¡ + b¢X¢

X¡Y = aX¡ + b¡  X¡2 + b2X¡ X2

X¢Y = aX¢ + b¡ X¡X¢ + b¢x¢2

Bila harga-harga dari data diatas dimasukkan dalam persamaan tersebut maka:

170 = 10a + 60 b1 + 40 b2 ………… (1)

1.122 = 60a + 406 b1 + 267 b2 ………… (2)

737 = 40a + 267 b1 + 182 b2 ………… (3)

Persamaan (1) dikalikan 6, persamaan (2) dikalikan 1:

1.020 = 60a + 360 b1 + 240 b2

1.122 = 60a + 406 b1 + 267 b2

 (-)

-102 = 0a + (-46) b1 + (-27) b2

-102 = -46 b1 - 27 b2 ……. (4)

Persamaan (1) dikalikan dengan 4, persamaan (3) dikalikan dengan 1

hasilnya menjadi:

680 = 40a + 240 b1 + 160 b2

737 = 40a + 267 b1 + 182 b2

 (-)

-57 = 0 a + (-27) b1 + (-22) b2

-57 = -27 b1 - 22 b2 ……. (5)

 11

Persamaan (4) dikalikan 27, persamaan 5 dikalikan 46, hasilnya menjadi:

-2.754 = -1.242 b1 + -729 b2

-2.622 = -1.242 b1 + -1.012 b2

 (-)

-132 = 0 + 283 b2

b2 = 283 132 = -0,466

Harga b2 dimasukkan dalam salah satu persamaan (4) atau (5). Dalam
hal ini dimasukkan dalam persamaan (4), maka:

-102 = -46 b1 - 27 (0,466)

-102 = -46 b1 - 12,582

46 b1 = 114,582

b1 = 114,582/46 = 2,4909

Harga b1 dan b2 dimasukkan dalam persamaan 1, maka:

170 = 10a + 60 (2,4909) + 40 (-0,466)

170 = 10a + 149,454 - - 18,640

10a = 170 - 149,454 + 18,640

a = 39,186/10 = 3,9186

Jadi:

a = 3,9186

b1 = 2,4909

b2 = -0,466
 12

Jadi persamaan regresi ganda linier untuk dua prediktor (kemampuan

kerja pegawai, dan kepemimpinan direktif) adalah:

Y = 3,9186 + 2,4909 X1 - 0,466 X2

Dari persamaan itu berarti produktivitas kerja pegawai akan naik, bila
kemampuan pegawai ditingkatkan, dan akan turun bila kepemimpinan direksi
(otokrasi) ditingkatkan. Tetapi koefisien regresi untuk kemampuan pegawai
(2,4909) lebih besar daripada koefisien regresi untuk kepemimpinan direktif
(2,4909) lebih besar daripada koefisien regresi untuk kepemimpinan direktif
(diharga mutlak = 0,466) X. Jadi bila kemampuan pegawai ditingkatkan
sehingga sampai mendapat nilai 10, dan juga tingkat kepemimpinan direktif
sampai mendapat nilai 10, maka produktivitasnya adalah:

Y = 3,9186 + 2,4909 . 10 - 0,466 . 10 = 24,1676

Diperkirakan produktivitas kerja pegawai = 24,1676

D. Analisis Regregi Tiga Prediktor

Pada dasarnya konsep dan perhitungan dalam analisis regresi ganda tiga
prediktor sama dengan analisis regresi ganda dua prediktor. Persyaratannya pun
sama, misalnya skala pengukuran dari data variabel yang akan dianalisis
merupakan interval atau rasio, galat taksiran harus normal, homogen dan linear,
serta tidak terjadi multikolinearitas. Misalkan variabel-variabel bebas
(predictor) adalah X1, X2, X3 dan variabel terikatnya (criterion) adalah Y.
Maka regresi ganda Y atas X1, X2 dan X3 dinyatakan dalam persamaan
matematika sebagai berikut:

Model: Y = b󰀖 + b¡X¡ + b¢X¢ + b£X£+ɛ (populasi)

Fungsi Taksiran: = b󰀖+ b¡X¡ + b¢X¢ + b£X£ (sampel)

Konstanta bo dan koefisien regresi b¡ , b¢ dan b£ diperoleh dari data sampel.

Untuk keperluan itu dibutuhkan pasangan data (X ¡ , X¢ , X£, Y), dengan
persyaratan diambil secara random, populasinya normal, dan homogen.
 13

Contoh:

Dilakukan penelitian untuk mengetahui persamaan regresi hubungan antara

kemampuan kerja, pemahaman terhadap tugas, motivasi kerja secara bersama -
sama terhadap produktivitas kerja di Lembaga B.

Hubungan antara kemampuan kerja, pemahaman terhadap tugas, motivasi

kerja dan produktivitas kerja.

Dimana:

X¡ = kemampuan kerja X¢ = pemahaman terhadap tugas

X£ = motivasi kerja Y = produktivitas kerja

Korelasi ganda (R) dapat dihitung dengan mudah apabila koefisien regresi
dapat dicari.
 14

Dari penelitian tersebut didapatkan data sebagai berikut:

No
Responden X¡ X¢ X£ Y
1 60 59 67 56
2 31 33 41 36
3 70 70 71 71
4 69 69 70 68
5 50 48 49 47
6 30 29 33 34
7 40 48 51 50
8 55 54 60 60
9 58 61 59 61
10 26 34 31 29
11 78 76 75 77
12 45 43 43 46
13 47 56 46 50
14 34 42 43 39
15 57 58 56 56

TABEL PENOLONG UNTUK MENGHITUNG

PERSAMAAN REGRESI DAN KORELASI TIGA PREDIKTOR

 15

Dari table tersebut diperoleh harga-harga sebagai berikut:

X1 = 750 X12 = 41.010 X1 = 50

X2 = 780 X22 = 43.362 X2 = 52

X3 = 795 X32 = 44.819 X3 = 53

Y = 780 Y 2 = 43.326 Y = 52

X1Y = 42.044 X1X2 = 42.035

X2Y = 43.259 X1X3 = 42.700

X3Y = 43.968 X2X3 = 43.935

Dengan metode skor deviasi diperoleh hasil sebagai berikut:

X12 = 41.010 - ø750) 2 / 15 = 3.510

X22 = 43.362 - (780) 2 / 15 = 2.802

 16

X32 = 44.819 - ø795) 2 / 15 = 2.684

Y 2 = 43.326 - ø780) 2 / 15 = 2.766

X1Y = 42.044 - ø750ùø780ù / 15 = 3.044

X2Y = 43.259 - ø780ùø780ù / 15 = 2.699

X3Y = 43.968 - ø795ùø780ù / 15 = 2.628

X1X2 = 42.035 - ø750ùø780ù / 15 = 3.035

X1X3 = 42.700 - ø750ùø795ù / 15 = 2.950

X2X3 = 43.935 - ø780ùø795ù / 15 = 2.595

Persamaan regresi untuk tiga prediktor adalah:

Y = b0 + b1X1 + b2X2 + b3X3

Untuk mencari koefisien regresi b0, b1, b2 dan b3 digunakan persamaan

simultan sebagai berikut:

1. X1Y = b1 X12 + b2 X1 X2 + b3 X1 X3

2. X2Y = b1 X12 X2 + b2 X22 + b3 X2 X3

3. X3Y = b1 X12 X2 + b2 X2 X3 + b3 X32

b0 = Y - b1X1 - b2X2 - b3X3

Hasil perhitungan dengan metode skor deviasi dimasukkan ke persamaan 1, 2 dan

3.

1) 3.044 = 3.510 b1 + 3.035 b2 + 2.950 b3

2) 2.699 = 3.035 b1 + 2.802 b2 + 2.955 b3

3) 2.628 = 2.950 b1 + 2.595 b2 + 2.684 b3

(1A) 1,032 = 1,190 b1 + 1,029 b2 + b3

 17

(2A) 1,040 = 1,170 b1 + 1,080 b2 + b3

(3A) 0,979 = 1,099 b1 + 0,967 b2 + b3

(4) 1A - 2A = -0,008 = 0,020 b1 + -0,051 b2

(5) 2A - 3A = -0,061 = 0,071 b1 + 0,113 b2

(4A) 0,157 = -0,392 b1 + b2

(5A) 0,540 = 0,628 b1 + b2

(6) 4A-5A = -0,383 = -1,020 b1

b1 = 0,375

(5A) 0,540 = 0,628 b1 + b2

0,540 = 0,236 + b2

b2 = 0,305

(3A) 0,979 = 1,099 + 0,967 + b3

0,979 = 0,412 + 0,294 + b3

b3 = 0,273

b0 = 52 - (0,375) (50) - (0,305) (50) - (0,273) (53)

b0 = 3,556

Sehingga:

Y = b0 + b1X1 + b2X2 + b3X3

Y = 3,556 + 0,375 X1 + 0,305 X2 + 0,273 X3

Berdasarkan analisis regresi, koefisien regresi didapat berturut-turut:

b0 = 3,556; b1 = 0,375; b2 = 0,305; b1 = 0,273

 18

LATIHAN SOAL
1. Sebuah penelitian dilakukan untuk mengetahui pengaruh antara kecerdasan
numerik (X1) dan motivasi belajar (X2) terhadap prestasi siswa (Y), pada
15 sampel. Tentukan
(1) Persamaan regresi ganda Y atas X1 dan X2,
(2) Adakah pengaruh X1 dan X2 terhadap Y, baik secara bersama-sama
ataupun secara parsial?
Hasil pengumpulan data dapat dilihat pada tabel di bawah ini:

2. Dalam suatu penelitian yang dilakukan terhadap 10 rumah tangga yang

diilih secara acak, diperoleh data pengeluaran untuk pembelian barang-
barang tahan lama per minggu (Y), pendapatan per minggu (X1), dan
jumlah anggota rumah tangga (X2) sebagai berikut:

Y (Ratusan
23 7 15 17 23 22 10 14 20 19
Rupiah)
X1
(Ribuan 10 2 4 6 8 7 4 6 7 6
Rupiah)
X2 (Orang) 7 3 2 4 6 5 3 3 4 3
 19

Seandainya suatu rumah tangga mempunyai X1 dan X2, masing-masing 11

dan 8. Berapa besarnya nilai Y. Artinya, berapa ratus rupiah rumah tangga
yang bersangkutan akan mengeluarkan biaya untuk pembelian barang-
barang tahan lama?
3. Sebuah penelitian survei ingin mengetahui pengaruh manajemen kelas
(X1), kepemimpinan guru (X2), dan kompetensi pedagogik (X3) terhadap
kepuasan belajarsiswa Multimedia (Y). Tentukan persamaan regresi ganda
Y atas X1, X2, dan X3. Lakukan pengujian keberartian pengaruh regresi
ganda Y atas X1, X2, dan X3 secara bersama-sama dan tentukan keberartian
pengaruh regresi ganda Y atas X1, X2, dan X3 secara parsial (masing-
masing variabel dengan mengendalikan variabel bebas lainnya).

Tabel Hasil pengumpulan data dapat dilihat pada tabel di bawah ini:
 20

BAB III

PENUTUP

A. Kesimpulan
Analisis regresi merupakan salah satu teknik analisis data dalam
statistika yang seringkali digunakan untuk mengkaji hubungan antara beberapa
variabel dan meramal suatu variabel. Dalam analisis regresi terdapat dua jenis
analisis yaitu analisis regresi linier sederhana dan analisis regresi linier
berganda. Analisis regersi linier sederhana adalah analisis yang melibatkan satu
variabel, sedangkan analisis regresi linier berganda adalah analisis yang
melibatkan lebih dari satu variabel bebas atau prediktor. Regresi linier berganda
digunakan untuk mengetahui linearitas hubungan dua atau lebih variabel
independen dengan satu variable dependen dan dapat pula digunakan untuk
memprediksi harga variabel dependen jika harga-harga variabel independen
diketahui.

Terdapat banyak asumsi regresi liner berganda yaitu diantaranya data

interval atau rasio, linearitas, normalitas residual, non-outlier,
homoskedastisitas, non multikolinearitas, dan non autokorelasi. Regresi linier
berganda dibagi menjadi dua yaitu Regresi ganda dua prediktor dan dan analisis
regresi tiga prediktor.

Uji regresi linier berganda sangat membantu untuk mengetahui

pengaruh secara serempak (simultan) baik kualitas maupun kuantitas dari
variable-variabel bebas terhadap variable tak bebas. Hasil model persamaan
regresi dapat dipergunakan sebagai pedoman untuk memprediksi hubungan
antar variabel diluar data yang dijadikan sampel dalam suatu populasi.

B. Saran dan Kritik

Dengan kerendahan hati, penulis merasakan tulisan ini sangat sederhana
dan jauh dari sempurna. Saran dan kritik yang konstuktif sangat diperlukan
demi kesempurnaan tulisan ini. Demikian pula, perlu penyempurnaan dari
pembaca agar tulisan ini menjadi lebih lengkap dan lebih bermanfaat bagi
pembaca yang sedang dalam proses studi maupun sudah selesai studi.
 21

DAFTAR PUSTAKA

Sudijono, Anas. 1996. Pengantar Statistik Pendidikan. Jakarta: Rajawali.

Spiegel. Murray. R. 2004. Statistika. Jakarta : Erlangga.
U.S. Supardi. 2013. Aplikasi Statistika dalam Penelitian. Jakarta: PT. Prima Ufuk
Semesta.
Siregar, Syofian. 2014. Statistik Parametrik untuk Penelitian Kuantitatif . Jakarta:
PT. Bumi Aksara.
Sugiyono. Metode Penelitian Pendidikan (pendekatan Kuantitatif, Kualitatif, dan
R&D).
Bandung: Alfabeta, 2014.
Ananda, Rusydi dan Muhammad Fadhli. 2018. Pendidikan Statistika. Jakarta: CV.
Widya Puspita