TUGAS REGRESI LINEAR

NAMA ANGGOTA : 1. METI AFRIYANTI (221008018)

2. M. JALALUDDIN (221008041)
3. JUSMAWATI (221008033)
KELAS : AK22 B
Jawaban:
Hipotesis: H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normal

A. Pengecekan asumsi data pertama (sheet 1)

1. Residual berdistribusi normal
 Menampilkan Histogram dan P-P Plot

 Pada Histogram diatas terlihat menyerupai lonceng, Sehingga dapat diasumsikan bahwa
data tersebut berdistribusi normal.
 Pada P-P Plot diatas terlihat titik-titik menyebar disekitar garis diagonal dan mengikuti
arah garis diagonal, Sehingga dapat diasumsikan bahwa data tersebut berdistribusi
normal.
 Menampilkan P-P Plot menggunakan Data Residual

 Pada P-P Plot menggunakan data residual diatas terlihat titik-titik menyebar disekitar garis
diagonal dan mengikuti arah garis diagonal, Sehingga dapat diasumsikan bahwa data tersebut
berdistribusi normal.
 Menampilkan Q-Q Plot menggunakan Data Residual

 Pada Q-Q Plot menggunakan Data Residual diatas terlihat titik-titik menyebar disekitar
garis diagonal dan mengikuti arah garis diagonal, Sehingga dapat diasumsikan bahwa
data tersebut berdistribusi normal.

 Mendeteksi Residual Berdistribusi Normal menggunakan Uji Kolmogorov-Smirnov

One-Sample Kolmogorov-Smirnov Test
Standardized p-value = 0,200
Residual α = 5% = 0,05
N 32
p – value > α
Normal Mean ,0000000
Parametersa,b Std. Deviation ,95038193 Keputusan : gagal menolak H0.
Most Extreme Absolute ,122
Differences Positive ,122 Kesimpulan : p – value > α,
Negative -,100
Sehingga diasumsikan Residual
Test Statistic ,122
berdistribusi normal.
Asymp. Sig. (2-tailed) ,200c,d
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.
2. Tidak terjadi multikolinieritas

 Mendeteksi Terjadinya Multikolinieritas

Model Summaryb
Adjusted R Std. Error of
Square the Estimate
Model R R Square

1 ,886a ,784 ,761 1827,36827

a. Predictors: (Constant), X3, X2, X1

b. Dependent Variable: Y

ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 340149688,244 3 113383229,415 33,954 ,000b

Residual 93499694,631 28 3339274,808

Total 433649382,875 31

a. Dependent Variable: Y

b. Predictors: (Constant), X3, X2, X1

Coefficientsa
Unstandardized Standardized Collinearity
Coefficients Coefficients Statistics
Correlations

Model B Std. Error Beta t Sig. Zero-order Partial Part Tolerance VIF

1 (Constant) -7026,584 1350,701 -5,202 ,000

X1 2812,565 920,905 ,614 3,054 ,005 ,807 ,500 ,268 ,191 5,246

X2 77,417 121,984 ,126 ,635 ,531 ,738 ,119 ,056 ,195 5,141

X3 391,547 94,634 ,373 4,137 ,000 ,525 ,616 ,363 ,949 1,053

a. Dependent Variable: Y

 Nilai VIF < 10

 Nilai Tolerance > 0,1
 Coefficient Correlationsa

Model X3 X2 X1

1 Correlations X3 1,000 ,068 -,157

X2 ,068 1,000 -,895

X1 -,157 -,895 1,000

Covariances X3 8955,610 788,443 -13681,345

X2 788,443 14880,180 -100485,138

X1 -13681,345 -100485,138 848065,986

a. Dependent Variable: Y

Nilai koefisien korelasi > 0,7

Kesimpulan : Terjadi multikolinieritas (Asumsi tidak terpenuhi).

3. Tidak terjadi heteroskedastisitas

 Mendeteksi Terjadinya Heteroskedastisitas Secara Grafik

 Pada gambar diatas terlihat titik-titik menyebar secara acak (tidak membentuk pola
tertentu). Sehingga dapat diasumsikan tidak terjadi Heteroskedastisitas, Asumsinya
terpenuhi. 

Coefficientsa
Standardized
Coefficients
Unstandardized Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 368,546 776,699 ,475 ,639

X1 -161,103 529,552 -,126 -,304 ,763

X2 66,250 70,145 ,387 ,944 ,353

X3 16,200 54,418 ,055 ,298 ,768

a. Dependent Variable: AbsResidual

  Mendeteksi Terjadinya Heteroskedastisitas Secara Statistik
 p – value > α Sehingga dapat diasumsikan tidak terjadi Heteroskedastisitas (Asumsi
terpenuhi).
4. Tidak terjadi autokorelasi

 Mendeteksi Terjadinya Autokorelasi Secara Statistik

Model Summaryb
Adjusted R Std. Error of the
Square Estimate
Model R R Square Durbin-Watson

1 ,886a ,784 ,761 1827,36827 1,671

a. Predictors: (Constant), X3, X2, X1

b. Dependent Variable: Y

n = 32 dL = 1,243
d = 1,671 dU = 1,650
4 – dL = 4 – 1,243 = 2,757
4 – dU = 4 – 1,650 = 2,35

Hasil = dU < d < 4 – dU

= 1,650 < 1,671 < 2,35

Kesimpulan : Tidak terjadi Autokorelasi (Asumsi terpenuhi).

  Mendeteksi Terjadinya Autokorelasi Secara grafis

Residual tidak terjadi Autokorelasi (Asumsi terpenuhi).

B. Pengecekan asumsi data kedua ( sheet 2)
1. Residual berdistribusi normal
 Mendeteksi Residual Berdistribusi Normal











 

 Pada Histogram diatas terlihat menyerupai lonceng, Sehingga dapat diasumsikan

bahwa data tersebut berdistribusi normal.
 Pada P-P Plot diatas terlihat titik-titik menyebar disekitar garis diagonal dan mengikuti
arah garis diagonal, Sehingga dapat diasumsikan bahwa data tersebut berdistribusi
normal.
 Menampilkan P-P Plot menggunakan Data Residual

 Pada P-P Plot menggunakan data residual diatas terlihat titik-titik menyebar disekitar
garis diagonal dan mengikuti arah garis diagonal, Sehingga dapat diasumsikan bahwa
data tersebut berdistribusi normal.
 Menampilkan Q-Q Plot menggunakan Data Residual

 Pada Q-Q Plot menggunakan Data Residual diatas terlihat titik-titik menyebar
disekitar garis diagonal dan mengikuti arah garis diagonal, Sehingga dapat
diasumsikan bahwa data tersebut berdistribusi normal.

 Mendeteksi Residual Berdistribusi Normal menggunakan Uji Kolmogorov-Smirnov

One-Sample Kolmogorov-Smirnov Test

Standardized
Residual

N 24
Normal Parametersa,b Mean ,0000000
Std. Deviation ,93250481
Most Extreme Differences Absolute ,148
Positive ,148
Negative -,065
Test Statistic ,148
Asymp. Sig. (2-tailed) ,185c
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
P- value = 0,185α = 5% = 0,05

p – value > α

Keputusan : Gagal menolak H0

Kesimpulan: p – value > α, Sehingga diasumsikan Residual berdistribusi normal.

2. Tidak terjadi multikolinieritas

 Mendeteksi Terjadinya Multikolinieritas
Model Summaryb
Adjusted R Std. Error of the
Square Estimate
Model R R Square

1 ,809a ,655 ,603 4,70290

a. Predictors: (Constant), X3, X2, X1

b. Dependent Variable: Y

ANOVAa
Sum of
Squares
Model df Mean Square F Sig.

1 Regression 840,612 3 280,204 12,669 ,000b

Residual 442,346 20 22,117

Total 1282,958 23

a. Dependent Variable: Y

b. Predictors: (Constant), X3, X2, X1

Coefficientsa
Unstandardized Standardized Collinearity
Coefficients Coefficients Statistics
Correlations
Zero- Toleran
order ce
Model B Std. Error Beta t Sig. Partial Part VIF

1 (Constant 14,311 7,191 1,990 ,060

)
 X1 ,181 ,581 ,078 ,312 ,758 ,658 ,070 ,041 ,276 3,627

X2 2,023 ,571 ,751 3,544 ,002 ,808 ,621 ,465 ,383 2,608

X3 -,015 ,540 -,006 -,027 ,978 ,560 -,006 -,004 ,382 2,616

a. Dependent Variable: Y

 Nilai VIF < 10

 Nilai Tolerance > 0,1

Coefficient Correlationsa
Model X3 X2 X1 Nilai koefisisen korelasi < 0,7
1 Correlations X3 1,000 -,170 -,549

X2 -,170 1,000 -,547

X1 -,549 -,547 1,000 Kesimpulan: Tidak terjadi
Covariances X3 ,291 -,052 -,172 multikolinieritas (Asumsi
X2 -,052 ,326 -,181
Terpenuhi).
X1 -,172 -,181 ,337
a. Dependent Variable: Y

3. Tidak terjadi Heteroskedastisitas

 Mendeteksi Terjadinya Heteroskedastisitas Secara Grafik

  Pada gambar diatas terlihat titik-titik menyebar secara acak (tidak membentuk pola
tertentu). Sehingga dapat diasumsikan tidak terjadi Heteroskedastisitas, Asumsinya
terpenuhi. 

 Mendeteksi Terjadinya Heteroskedastisitas Secara Statistik

Coefficientsa p- value > α

Unstandardized Standardized
Coefficients Coefficients
Sehingga dapat
Model B Std. Error Beta t Sig.
1 (Constant) 5,886 4,590 1,282 ,214 diasumsikan tidak
X1 -,193 ,371 -,217 -,520 ,609 terjadi
X2 -,116 ,364 -,112 -,317 ,754
Heteroskedastisitas
X3 ,204 ,344 ,210 ,592 ,561
(Asumsi terpenuhi).
a. Dependent Variable: AbsResidual

4. Tidak terjadi Autokorelasi

 Mendeteksi terjadinya Autokorelasi secara statistik

Model Summaryb
Adjusted R Std. Error of the
Square Estimate
Model R R Square Durbin-Watson

1 ,809a ,655 ,603 4,70290 1,943

a. Predictors: (Constant), X3, X2, X1

b. Dependent Variable: Y

n = 24 dL = 1,101
d = 1,943 dU = 1,656

4 – dL = 4 – 1,101 = 2,899S
4 – dU = 4 – 1,656 = 2,344
Hasil = dU < d < 4 – dU
= 1,656 < 1,943 < 2,344
Kesimpuan : Tidak terjadi autokorelasi (Asumsi terpenuhi).
  Mendeteksi terjadinya Autokorelasi secara grafik

Residual tidak terjadi Autokorelasi (Asumsi terpenuhi).

C. Analisis regresi linear data pertama (sheet 1)

 Pengujian secara serentak
Hipotesis :
H0 : βi = 0 ( Tidak ada pengaruh antara variabel X1 , X2, X3 terhadap variabel Y)
H1 : βi ≠ 0 ( Terdapat pengaruh antara variabel X1, X2, X3 terhadap variabel Y)

ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 340149688,244 3 113383229,415 33,954 ,000b

Residual 93499694,631 28 3339274,808

Total 433649382,875 31

a. Dependent Variable: Y

b. Predictors: (Constant), X3, X2, X1

P – value < α F(α;db1;db2) = F(0,05;3;28) = 2,95

α = 0,05 , α/2 =0,025 F(α/2;db1;db2) =F(0,025;3;28) = 3,626

Dari output di atas diperoleh Fhitung > Ftabel atau p – value sebesar 0,000 < α yaitu 0,05,
Sehingga dapat disimpulkan bahwa menolak H0 yang dimana terdapat pengaruh antara
variabel X1, X2, dan X3 terhadap variabel Y.
 Pengujian secara parsial

Coefficientsa
Standardized
Coefficients

Model Unstandardized Coefficients t Sig.

B Std. Error Beta

1 (Constant) -7026,584 1350,701 -5,202 ,000

X1 2812,565 920,905 ,614 3,054 ,005

X2 77,417 121,984 ,126 ,635 ,531

X3 391,547 94,634 ,373 4,137 ,000

a. Dependent Variable: Y

Tabel “coefficients”diatas memberikan informasi tentang signifikansi dari

koefisien/parameter regresi. Dari tabel diatas diperoleh p – value untuk konstanta (b2) > α,
maka H0 gagal ditolak. Sehingga dapat disimpulkan bahwa konstanta (b2) tidak signifikan (
tidak berpengaruh). Untuk koefisien/parameter regresi b0, b1, dan b3 diperoleh p – value <
α, maka H0 ditolak, Sehingga dapat disimpulkan bahwa parameter regresi b0, b1, dan b3
signifikan (berpengaruh).
  Koefisien Determinasi

Model Summary
Adjusted R Std. Error of the
Square Estimate
Model R R Square

1 ,886a ,784 ,761 1827,36827

a. Predictors: (Constant), X3, X2, X1

Dari tabel diatas diperoleh koefisien determinasi dengan nilai R Square (R 2) sebesar 0,784.
Artinya sebesar 78,4% variabel Y disebabkan oleh variabel X 1, X2, dan X3, Sedangkan
sisanya sebesar 21,6% disebabkan oleh variabel lain yang tidak dimasukkan dalam model.

 Model Regresi
Y = b0 + b1X1 + b2X2
Y = 7026,584+2812,565X1+77,417X2+391,547X3

D. Analisis regresi linear data kedua (sheet 2)

 Pengujian secara serentak
Hipotesis :
H0 : βi = 0 (Tidak ada pengaruh antara variabel X1, X2, X3 terhadap variabel Y)
H1 : βi ≠ 0 (Terdapat pengaruh antara variabel X1, X2, X3 terhadap variabel Y)

ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 840,612 3 280,204 12,669 ,000b

Residual 442,346 20 22,117

Total 1282,958 23

a. Dependent Variable: Y

b. Predictors: (Constant), X3, X2, X1

 P – value < α F(α;db1;db2) = F(0,05;3;20) = 3,10
α = 0,05 , α/2 =0,025 F(α/2;db1;db2) =F(0,025;3;20) = 3,858

Dari output di atas diperoleh Fhitung > F tabel atau p – value sebesar 0,000 < α yaitu 0,05,
Sehingga dapat disimpulkan bahwa menolak H0 yang dimana terdapat pengaruh antara
variabel X1, X2, dan X3 terhadap variabel Y.

 Pengujian secara parsial

Coefficientsa
Standardized
Coefficients
Unstandardized Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 14,311 7,191 1,990 ,060

X1 ,181 ,581 ,078 ,312 ,758

X2 2,023 ,571 ,751 3,544 ,002

X3 -,015 ,540 -,006 -,027 ,978

a. Dependent Variable: Y

Tabel “coefficients”diatas memberikan informasi tentang signifikansi dari

koefisien/parameter regresi. Dari tabel diatas diperoleh p – value untuk konstanta (b2) < α,
maka H0 gagal ditolak. Sehingga dapat disimpulkan bahwa konstanta (b2) signifikan
(berpengaruh). Untuk koefisien/parameter regresi b0, b1, dan b3 diperoleh p – value > α,
maka H0 ditolak, Sehingga dapat disimpulkan bahwa parameter regresi b0, b1, dan b3 tidak
signifikan ( tidak berpengaruh).

 Koefisien Determinasi
 Model Summary
Adjusted R Std. Error of the
Square Estimate
Model R R Square

1 ,809a ,655 ,603 4,70290

a. Predictors: (Constant), X3, X2, X1

Dari tabel diatas diperoleh koefisien determinasi dengan nilai R Square (R 2) sebesar 0,655.
Artinya sebesar 65,5% variabel Y disebabkan oleh variabel X 1, X2, dan X3, Sedangkan
sisanya sebesar 34,5% disebabkan oleh variabel lain yang tidak dimasukkan dalam model.

 Model Regresi
Y = b0 + b1X1 + b2X2
Y = 14,311+0,181X1+2,023X2+0,15X3