ANALISIS REGRESI LINIER BERGANDA

(Multiple Regression Analysis (MRA))

Maryama Nihayah, S.Psi., M.A.

MRA is a statistical procedure that assesses the
relationship between a dependent variable and
several predictor variables.

Analisis regresi mempelajari bentuk hubungan antara satu atau lebih variabel bebas (X) dengan
satu variabel tergantung (Y). Oleh karena itu, secara umum dapat dikatakan analisis regresi
merupakan kelanjutan dari analisis korelasi karena dapat menentukan daya prediksi perubahan
variabel Y akibat perubahan variabel X.
ASUMSI MRA:
Analisis regresi linier berganda membuat beberapa asumsi utama:
1. (Hubungan linier) untuk menguji apakah antara variabel
independen memiliki hubungan yang linier dengan variabel
dependen
2. Normalitas Multivariat –Regresi berganda mengasumsikan
bahwa residu terdistribusi normal.
3. Tidak Ada Multikolinearitas —Regresi berganda
mengasumsikan bahwa variabel independen tidak berkorelasi
tinggi satu sama lain. Asumsi ini diuji dengan menggunakan
nilai Variance Inflation Factor (VIF).
4. Tidak ada Homoskedastisitas – untuk melihat apakah varians
residunya dipengaruhi oleh faktor-faktor lain.
 Contoh Kasus
Seorang peneliti memutuskan untuk
mempelajari kinerja siswa di sekolah selama
periode waktu tertentu. Ia mengamati, seiring
dengan berjalannya perkuliahan secara daring,
prestasi mahasiswa pun mulai menurun.
Parameter untuk variabel terikat adalah
berbagai variabel bebas seperti “kurangnya
perhatian, lebih banyak kecanduan internet,
mengabaikan studi” dan masih banyak lagi.
 Identifikasi Kasus
• Variabel Y (Kriterium)
Prestasi Mahasiswa
• Variabel X (Prediktor)
X1: Kecanduan internet (internet addiction)
X2: Regulasi diri dalam Belajar (Self Regulated Learning)
• Hipotesis:
– Mayor: IA, SRL secara bersama-sama berperan dalam
memprediksi prestasi mahasiswa
– Minor:
• IA berperan dalam memprediksi Prestasi Mahasiswa
• SRL berperan dalam memprediksi Prestasi mahasiswa
Identifikasi:
Y (Kriterium): Job
Burnout

X (Prediktor):
- SS
- WE

Hipotesis:
SS dan WE secara
bersama-sama
berperan dalam
memprediksi JB
Berdasarkan data tersebut, bantulah Upin untuk:
a. Verifikasi asumsi normalitas, linieritas, multikolineritas, dan
homoskesdasitas.
b. Analisis regresi berganda dan tentukan:
1) Apakah SS dan WE dapat berperan dalam memprediksi
JB?
2) Seberapa besar peranan SS dan WE secara bersama-
sama dalam memprediksi JB?
3) Bagaimana persamaan regresinya
4) Seberapa besar peranan masing-masing varians
(sumbangan efektif) SS dan WE dalam memprediksi JB?
 LANGKAH-LANGKAH

1. Input data ke dalam SPSS

Tampak Variabel View
 LANGKAH-LANGKAH
2. Lakukan Uji Normalitas Residu
• Buat data residual untuk variabel yang akan dianalisis
• Caranya:
• Klik Analyze-Regression-Linier.
• Muncul kotak Linier Regression
• Masukkan VX ke Independent (SS dan WE); VY ke
Dependen (JB)
• Pilih Save
• Centang Residual-Unstandardized. Continue
• Klik OK
LANGKAH-LANGKAH
LANGKAH-LANGKAH

Abaikan Output.
Kembali ke Data
View SPSS.
Muncul Kolom
Res_1 seperti pada
gambar. Lakukan Uji
Normalitas Pada
Skor Ini.
Hasil verifikasi normalitas menunjukkan
bahwa data terdistribusi normal (p>0.05).

Lanjutkan ke Analisis Regresi Berganda

 LANGKAH-LANGKAH
3. Lakukan Uji Linieritas

Dari hasil verifikasi linieritas JB dan SS didapatkan Sig. Linearity 0.002

(p<0.05); Deviation from Lineartiy 0.41 (p>0.05) maka variabel memiliki
hubungan linier
 LANGKAH-LANGKAH
3. Lakukan Uji Linieritas

Dari hasil verifikasi linieritas JB dan WE didapatkan Sig. Linearity 0.003

(p<0.05); Deviation from Lineartiy 0.824 (p>0.05) maka variabel memiliki
hubungan linier
 LANGKAH-LANGKAH
4. Lakukan Uji Multikolinearitas
Mengetahui ada/ tidaknya korelasi pada prediktor
Analyze-Correlate-Bivariate

• Kaidah Multikolinearitas
Apabila nilai r (pearson correlation) <0.8, maka tidak terjadi
multikolineritas.
Asumsi multikolineritas terpenuhi.
 LANGKAH-LANGKAH
5. Lakukan Uji Homoskedastisitas
Dilakukan dengan mencari korelasi antara skor abs_RES dengan VD
• Membuat skor abs_RES
• Pilih transform-compute variables.

• Pada target variables, beri nama. Misal: abs_RES

• Pada Numeric expression, masukkan abs(RES_1). OK
• Abaikan output, kembali ke data view. Muncul skor abs_RES
 LANGKAH-LANGKAH

Tampilan
kotak dialog
compute
variable
Tampilan Data
View setelah
dilakukan
transform
abs_RES
LANGKAH-LANGKAH
5. Lakukan Uji
Homoskedastisitas
dengan Uji Gleser
• Analyzes-
Regression-
Linier.
• Masukkan skor
abs_RES pada
Dependent
Variable. OK.
Asumsi Homoskesdastisitas:
Apabila nilai sig. (p value) > 0.05, maka asumsi
homoskesdatisitas terpenuhi.
Dari semua uji asumsi yang diperlukan untuk analisis regresi
linier berganda, didapatkan:
1. Asumsi normalitas residual: Terpenuhi
2. Asumsi (linieritas): terpenuhi
Beberapa ahli berpendapat tidak harus dilakukan uji ini.
3. Asumsi multikolineritas: Terpenuhi
4. Asumsi homoskesdastisitas: Terpenuhi
Apabila nilah sig. homoskesdastisitas <0.05, maka dapat
dilihat dari visual scatter plot. Apabila pola titik-titiknya
menyebar/ acak, maka asumsi homoskesdastisitas
terpenuhi.

Maka, Analisis Regresi Linier berganda dapat dilakukan.

 LANGKAH-LANGKAH REGRESI LINIER BERGANDA

Langkah-langkah:

Analyze-Regression-Linier.

Pada kotak Dependent

masukkan VD (JB),
kotak independent VI (SS
dan WE).

Terdapat pilihan Method:

• Enter: Apabila ada teori kuat yang mendukung semua VI
berkontribusi terhadap VD.
• Stepwise: Apabila belum ada. Berangkat dari data.
LANGKAH-LANGKAH

5. Lakukan Uji REGRESI

LINIER BERGANDA
Analyze-
Regression-Linier.
Pilih Statistics. Centang
model fit, descriptives,
dan part and partial
correlations. Apabila
metode lain selain metode
enter yang digunakan r
squared change juga
diaktifkan, lalu klik
continue, kemudian Ok
untuk mengakhiri analisis.
 INTEPRETASI OUTPUT

Pada tabel Model Summary, terdapat nilai R dan R

square.
• Nilai R menunjukkan nilai korelasi bersama
• Nilai R square menunjukkan Effect Size atau variasi
VD yang mampu dijelaskan oleh VI (X1 dan X2)
 INTEPRETASI OUTPUT

Dari tabel di atas, didapatkan nilai R = 0. 178. Artinya, korelasi

secara bersama-sama antara WE dan SS terhadap JB adalah sebesar
R=0.178
 INTEPRETASI OUTPUT

Dari tabel Anova di atas, nilai Sig. = 0.760. Artinya, korelasi secara
bersama-sama antara SS dan WE terhdap JB (R=0.178) tidak
signifikan (F= 0.278; p>0.05).

Kesimpulan:
SS dan WE secara bersama-sama tidak berperan dalam
memprediksi JB (F=0.278; p>0.05). Hipotesis ditolak.
 INTEPRETASI OUTPUT

Apabila nilai p<0.01 atau p< 0.05, maka dapat disimpulkan:

Variabel SS dan WE secara bersama-sama berperan dalam
meprediksi JB dengan nilai F= 0.278 ; p< 0.05
Sumbangan Efektif SS dan WE terhadap JB sebesar 3.2% (lihat nilai
R Square pada tabel Model Summary (%)).
 INTEPRETASI OUTPUT

Tabel di atas digunakan untuk melihat apakah setiap prediktor (X1

dan X2) berperan terhadap kriterium (Y)

Kaidah:
Apabila nilai sig. <0.05, maka variabel X1 dan/ atau X2 secara
sendiri-sendiri (masing-masing) dapat memprediksi Y.
 INTEPRETASI OUTPUT

Tabel di atas digunakan untuk melihat apakah setiap VI (X1 dan X2)
berperan terhadap VD (Y)

Dari tabel di atas, variabel SS dengan t=1.45 dan sig. = 0.547

(p>0.05) secara sendirian tidak mampu memprediksi JB.
Variabel WE dengan t= 0.739 dan sig. 0.47 (p>0.05) secara
sendirian juga tidak mampu memprediksi JB
 INTEPRETASI OUTPUT

Tabel di atas digunakan untuk melihat apakah setiap VI (X1 dan X2)
berperan terhadap VD (Y)

Apabila nilai sig. < 0.05, maka dapat dikatakan:

Variabel SS secara sendiri mampu berperan dalam memprediski JB
dengan (t=0.615, p<0.05).
 INTEPRETASI OUTPUT
PERSAMAAN REGRESI

C
B1
B2

Apabila kedua variabel terbukti berperan dalam memprediksi

kriterium (Y), maka kita dapat menuliskan persamaan regresinya.

Rumus:
Y = B1*X1 + B2*X2 + C
JB = (nilai B1*SS) + (nilai B2* WE) + Constanta
JB = 0.051*SS + 0.048*WE + 2.09
 INTEPRETASI OUTPUT
SUMBANGAN EFEKTIF

C
B1
B2

Rumus: (Prats)
Social Support : Beta*zero order = 0.217*0.025 = …. (hitung nilainya)
Work Engagement: Beta*zero order =0.261*0.101= ….
 TUGAS
Berikut adalah data Kepercayaan Diri, Kontrol Diri dan Perilaku Konsumtif

Perilaku
Kepercayaan Diri Kontrol Diri
Konsumtif
12 15 2
14 18 3
15 16 3
17 20 4
12 18 3
13 18 3
16 19 4
10 11 2
15 15 2
10 12 2
11 16 3
12 18 3
9 14 1
12 16 2
10 13 2
Berdasarkan data tersebut, lakukan:
1. Verifikasi asumsi normalitas, linieritas, multikolineritas, dan
homoskedastsitas.
2. Analisis regresi berganda dan tentukan:
a) Apakah Kepercayaan Diri dan Kontrol Diri dapat
berperan dalam memprediksi Perilaku Konsumtif?
b) Seberapa besar peranan Kepercayaan Diri dan
Kontrol Diri secara bersama-sama dalam
memprediksi Perilaku Konsumtif?
c) Bagaimana persamaan regresinya?
d) Seberapa besar peranan masing-masing varians
(sumbangan efektif) Kepercayaan Diri dan Kontrol
Diri dalam memprediksi Perilaku Konsumtif?
 JB=0.20(SS)-0.47(WE)+26.07

Rumus: (Prats)
Social Support : Beta*zero order = 0.028*0.58 = 0.016
Work Engagement: Beta*zero order =0.83*0.81= 0.67