Contoh Perhitungan

REGRESI
Oleh Jonathan Sarwono
Regresi Linier Sederhana dan Berganda

 Pada contoh-contoh berikut ini kita menggunakan data yang

berasal dari luar SPSS yang dimodifikasi oleh penulis.
 Bagian pertama dalam diskusi ini kita akan membahas regresi
linier sederhana dan pada bagian kedua regresi linier
berganda.
 Untuk kasus – kasus di bawah ini kita berasumsi bahwa semua
data berdistribusi normal dan terjadi pelanggaran dalam
persyaratan regresi, seperti otokorelasi, kolinieritas /
multikolinieritas, heteroskedastisitas dan lain-lainnya.
 Dengan demikian kita akan melakukan prosedur analisis
regresi tanpa permasalahan yang berkaitan dengan
pelanggaran asumsi.
Prosedur Analisis Regresi Linier Sederhana

 Kasus: Pada kasus ini kita akan

melihat pengaruh variabel jumlah
kunjungan ke titik layanan
penyelenggara telpon selular X
terhadap tingkat kepuasan. Untuk
melihat hubungan tersebut kita
membuat langkah-langkah
seperti di bawah ini:
 Pertama: siapkan data
Kedua: membuat desain variabelnya

Ketiga : memasukkan data mulai nomor 1 sampai 11 seperti di bawah ini

Keempat: melakukan prosedur analisis seperti di bawah ini:
Lakukan analisis dengan cara sbb:
 Klik Analyse> Klik Regression: pilih Linear

 Pindahkan variabel kepuasan ke kolom Dependent > Pindahkan variabel

kunjungan ke kolom Independent > Masukkan variabel bulan ke kolom
Case Labels
 Isi kolom Method dengan perintah Enter

 Klik Option: Pada pilihan Stepping Method Criteria masukkan angka 0,05
pada kolom Entry > Cek Include constant in equation>Pada pilihan
Missing Values cek Exclude cases listwise>Tekan Continue
 Pilih Statistics: Pada pilihan Regression Coefficient pilih Estimate, Model
Fit, Descriptive dan Durbin and Watson. Pada pilihan Residual, pilih
Case wise Diagnostics dan cek All Cases (untuk semua kasus)>Tekan
Continue
 Klik Plots untuk membuat Grafik

 Isi kolom Y dengan pilihan SDRESID dan kolom X dengan ZPRED,

kemudian tekan Next
 Isi lagi kolom Y dengan ZPRED dan kolom X dengan DEPENDNT

 Pada pilihan Standardised Residual Plots, cek Normal Probability

Plot>Tekan Continue > Klik Ok untuk diproses
 Keluaran akan menjadi seperti di bawah ini:

1) 3)

2)
7)
8)
9) 10)

11) 12)
Kelima: melakukan interpertasi Hasil

Bagian Statistik Deskriptif

Pada keluaran descriptive statistics berisi informasi mengenai:

 Besarnya rata-rata prediksi variabel tingkat kepuasan dan jumlah
kunjungan. Besarnya rata-rata prediksi tingkat kepuasan ialah
6921,00 dan jumlah kunjungan ialah 47411,45.
 Nilai standard deviasi untuk variabel tingkat kepuasan dan jumlah
kunjungan. Standard deviasi tingkat kepuasan sebesar 2061,957
dan untuk jumlah kunjungan sebesar 17901,178
 Jumlah data (N) sebesar 11
Bagian Korelasi

Bagian korelasi memberikan

informasi mengenai hubungan
antara variabel tingkat
kepuasan dan jumlah
kunjungan. Bagian sama
dengan keluaran korelasi
dalam bab sebelumnya.
 Besar hubungan antara variabel tingkat kepuasan dan jumlah kunjungan
ialah 0,881. Nilai ini mempunyai arti hubungan kedua variabel tersebut
sangat kuat. Koefesien korelasi positif (0,881) menunjukkan bahwa
hubungan antara variabel tingkat kepuasan dan jumlah kunjungan searah.
Artinya jika variabel jumlah kunjungan meningkat maka tingkat kepuasan
akan meningkat pula.
 Hubungan antara variabel jumlah kunjungan dan tingkat kepuasan
signifikan jika dilihat dari angka signifikansi (sig) sebesar 0,000 yang lebih
kecil dari 0,05. Didasarkan pada ketentuan, jika angka signifikansi < 0.05
hubungan antara kedua variabel tersebut signifikan.
Bagian Variabel yang Dimasukkan

Bagian ini menunjukkan metode dalam memasukkan variabel

Pada bagian menunjukkan informasi kita dalam memasukkan variabel
yang akan dianalisis. Kita menggunakan metode “Enter”. Terdapat
beberapa metode yang lain selain metode ini, yaitu Stepwise,
Backward, Forward dan Remove
Bagian Ringkasan Model (Koefesien Determinasi)

Bagian Ringkasan Model menunjukkan besarnya koefesien determinasi

yang berfungsi untuk mengetahui besarnya variabilitas variabel
tergantung tingkat kepuasan yang dapat diterangkan dengan
menggunakan variabel bebas jumlah kunjungan. Koefesien diterminasi
juga digunakan untuk menghitung besarnya peranan atau pengaruh
variabel bebas terhadap variabel tergantung. Koefesien determinasi
dihitung dengan cara mengkalikan r2 dengan 100% (r2 x 100%). Nilai
penting dalam keluaran ini ialah: nilai R Square, nilai Standard Error of
the Estimate, dan nilai Durbin – Watson.
Cont…
 Nilai R Square dalam tabel di atas ialah sebesar 0,777. Angka R
Square disebut juga sebagai Koefesien Diterminasi. Besarnya angka
Koefesien Diterminasi, 0,777 atau sama dengan 77,7%. Angka
tersebut berarti bahwa sebesar 77,7% tingkat kepuasan yang terjadi
dapat dijelaskan dengan menggunakan variabel jumlah kunjungan.
Sedang sisanya, yaitu 22,3% (100% - 77,7%) harus dijelaskan oleh
faktor-faktor penyebab lainnya. Dengan kata lain besarnya pengaruh
jumlah jumlah kunjungan terhadap tingkat kepuasan ialah sebesar
77,7% sedang sisanya sebesar 22,3% dipengaruhi oleh faktor lain
diluar model regresi ini. Besarnya pengaruh faktor lain disebut sebagai
error (e). Untuk menghitung nilai error dapat digunakan rumus: e = 1 –
r2.
Sebagai catatan ialah bahwa besarnya R square berkisar antara 0 –
1 yang berarti semakin kecil besarnya R square, maka hubungan
kedua variabel semakin lemah. Sebaliknya jika R square semakin
mendekati 1, maka hubungan kedua variabel semakin kuat.
Cont…
 Nilai Standar Error of the Estimate (SEE) pada tabel ialah 1026,623.
Nilai ini akan digunakan untuk menilai kelayakan predictor (variabel
bebas) dalam kaitannya dengan variabel tergantung. Ketentuannya
ialah: jika nilai SEE < nilai standard deviasi; maka predictor yang
digunakan untuk memprediksi variabel tergantung sudah layak. Pada
keluaran di atas nilai SEE sebesar 1026,623 < nilai standard deviasi
untuk variabel tergantung tingkat kepuasan 2061,957. Ini artinya
variabel bebas jumlah kunjungan sudah layak dijadikan predictor untuk
variabel tergantung tingkat kepuasan.
 Nilai Durbin - Watson pada tabel diatas sebesar 1,602. Nilai ini
mempunyai makna tidak terjadi otokorelasi dalam model regresi ini.
Ketentuannya ialah akan terjadi otokorelasi jika nilai Durbin – Watson:
1 < DW > 3.
Bagian Anova

Bagian ini menunjukkan besarnya angka probabilitas atau signifikansi pada

perhitungan Anova yang akan digunakan untuk uji kelayakan model regresi
dengan ketentuan angka probabilitas yang baik untuk digunakan sebagai
model regresi ialah harus lebih kecil dari 0,05.
 Uji ANOVA menghasilkan angka F sebesar 31,340 dengan tingkat
signifikansi (angka probabilitas) sebesar 0,000. Karena angka probabilitas
0,000 < dari 0,05, maka model regresi ini sudah layak untuk digunakan
dalam memprediksi tingkat kepuasan. Untuk dapat digunakan sebagai
model regresi yang dapat digunakan dalam memprediksi variabel
tergantung, maka angka signifikansi / probabilitas (sig) harus < 0,05.
Cont…
Untuk menguji apakah memang benar variabel bebas jumlah
kunjungan mempengaruhi variabel tergantung tingkat kepuasan, kita
dapat melakukan pengujian dengan menggunakan angka F dari
keluaran ANOVA di atas. Langkah-langkahnya sebagai berikut:

Pertama: membuat hipotesis dengan bunyi sebagai berikut:

 H0: Jumlah kunjungan tidak berpengaruh terhadap tingkat
kepuasan
 H1: Jumlah kunjungan berpengaruh terhadap tingkat kepuasan

Kedua: menghitung nilai F tabel dengan ketentuan sebagai berikut:

 α : 0,05
 Degree of Freedom: Vektor 1: jumlah variabel – 1 atau 2 -1 = 1.
Vektor 2 jumlah kasus – jumlah variabel atau 11 – 2 = 9. Dengan
ketentuan tersebut diperoleh nilai F dari tabel sebesar: 5,12.
Cont…
Ketiga: Menentukan kriteria didasarkan ketentuan yang sudah
ada seperti di bawah ini
 Jika F hitung (Fo) > F tabel, maka H0 ditolak dan H1 diterima
 Jika F hitung (Fo) < F tabel, maka H0 diterima dan H1 ditolak

Keempat: mengambil keputusan sebagai berikut:

Karena nilai Fo dari Tabel ANOVA diatas sebesar 31,340 > nilai
F tabel sebesar 5,12; maka H0 ditolak dan H1 diterima. Artinya
jumlah kunjungan berpengaruh terhadap tingkat kepuasan.
Bagian Koefisen Regresi

Bagian ini menggambarkan persamaan regresi untuk mengetahui

angka konstan, dan uji hipotesis signifikansi koefesien regresi.
Persamaan regresinya adalah:

Y=a+bx
Cont…
Dimana:
• Y = tingkat kepuasan
• X = data jumlah kunjungan hasil observasi
• a = angka konstan dari Unstandardized Coefficient yang dalam
penelitian ini ialah sebesar 2107,477. Angka ini berupa angka
konstan yang mempunyai arti: besarnya tingkat kepuasan saat nilai
X (jumlah kunjungan) sama dengan 0
• b = angka koefisien regresi sebesar 0,102. Angka tersebut
mempunyai arti bahwa setiap penambahan 1 kunjungan, maka
tingkat kepuasan akan meningkat sebesar 0,102. Sebaliknya jika
angka ini negatif ( - ) maka berlaku penurunan pada tingkat
kepuasan.

Oleh karena itu, persamaannya menjadi:

Y = 2107,477 + 0,102 X
Cont…
Untuk mengetahui apakah koefesien regresi signifikan atau tidak kita akan
menggunakan uji t untuk menguji signifikansi konstanta dan variabel jumlah
kunjungan yang digunakan sebagai predictor untuk variabel tingkat kepuasan.
Caranya sebagai berikut:
Pertama : membuat hipotesis dengan bunyi sebagai berikut:
H0= koefesien regresi tidak signifikan
H1= koefesien regresi signifikan
Kedua : menghitung nilai t tabel dengan ketentuan sbb:
/2 = 0,05/2 = 0,025
Degree of Freedom (DF) = (jumlah data – 2) atau 11 –2 = 9
Dengan ketentuan tersebut didapatkan nilai t dari tabel sebesar 2,262\
Ketiga : menentukan kriteria didasarkan ketentuan yang ada seperti di bawah ini
Jika t hitung (to) < t table maka H0 diterima dan H1 ditolak
Jika t hitung (to > t table maka H0 ditolak dan H1 diterima.
Keempat : membuat keputusan sebagai berikut:
Karena nilai t hitung dari keluaran diatas untuk variabel jumlah kunjungan (to)
sebesar 5,598 > t table 2,262; maka H0 ditolak dan H1 diterima. Artinya
koefesien refresi signifikan
Cont…
Uji hipotesis diatas dapat juga menggunakan grafik seperti di bawah ini.
Pengujian menggunakan grafik akan bermanfaat jika nilai to diketemukan
negatif (-), karena tidak akan dapat menggunakan kriteria sebelumnya.:
Karena to sebesar
5,598 jatuh di daerah
penolakan, maka H0
ditolak dan H1
diterima. Artinya
koefesien regresi
signifikan. Catatan:
Jika to diketemukan
negatif, maka
pengujian dilakukan
disisi kiri dan tidak
boleh menggunakan
ketentuan yang
pertama.
Bagian Diagnosa per Kasus

Pada bagian ini menunjukkan hasil prediksi persamaan regresi.

Pembahasan dimulai dari Case Number 1, maka persamaan
regresinya adalah: Y = 2107,477 + 0,102 X
Cont…
• Untuk kasus nomor 1 besarnya jumlah kunjungan berdasarkan data
observasi ialah sebesar:47098, maka persamaannya menjadi sebagai
berikut: Y = 2107,477 + (0,102 x 47098). Hasilnya tertera pada
kolom Predicted Value, yaitu 6889,18. Penghitungan untuk kasus
berikutnya dilakukan dengan cara yang sama.
• Kolom residual sebesar -135,176 memberikan penjelasan adanya
selisih antara tingkat kepuasan data observasi dengan tingkat
kepuasan yang diprediksikan atau 47098 – 6889,18 = -135,176
• Kolom Std Residual (standardised residual) menyatakan residual yang
distandarkan dengan cara: Residual dibagi dengan Standard Error of
the Estimate (nilai dapat diperoleh di keluaran Model Summary). Untuk
kasus pertama: - 135,176/1026,623 = -0,132.
• Besar kecilnya angka residual dan standard residual memberikan
makna bagi persamaan regresi yang akan digunakan untuk
memprediksi data. Semakin kecil angka angka residual dan standard
residual, maka model regresi semakin baik untuk digunakan dalam
memprediksi.
Bagian Statistik Residual

Bagian ini memberikan penjelasan mengenai nilai minimum tingkat kepuasan

yang diprediksi, yaitu sebesar: 4477,22; nilai maksimum tingkat kepuasan
yang diprediksi sebesar: 10989,94; rata-rata tingkat kepuasan yang
diprediksi sebesar 6921,00. Angka ini berlaku untuk semua kasus yang diteliti.
Bagian Grafik 1: Persyaratan Normalitas (Normal Probability Plot)

Grafik di atas menunjukkan pemenuhan persyaratan normalitas sebaran data,

yaitu jika residual berasal dari distribusi normal, maka nilai-nilai sebaran data
akan berada pada area di sekitar garis lurus. Dari hasil penghitungan kita
lihat grafik di atas menunjukkan bahwa sebaran data berada pada posisi di
sekitar garis lurus yang membentuk garis miring dari arah kiri bawah ke kanan
atas; oleh karena itu persyaratan normalitas sudah dipenuhi.
Bagian Grafik 2: Persyaratan Kelayakan Model Regresi (Model Fit)

Grafik di samping
memberikan penjelasan
adanya hubungan
antara nilai yang
diprediksi (tingkat
kepuasan) dengan
Studentised Delete
Residual masing-masing.
Keterangannya adalah
sebagai berikut: Model
regresi layak digunakan
untuk memprediksi jika data yang tersebar berpencar disekitar angka 0 (nol)
pada sumbu Y serta tidak membentuk pola atau kecenderungan tertentu. Jika
kita lihat sebaran data di atas berada di area titik nol sumbu Y, maka model
regresi ini layak digunakan untuk memprediksi variabel tergantung tingkat
kepuasan. Hanya 1 data yang jauh berada diluar nilai 0.
Bagian Grafik 3: Persyaratan Model Fit Tiap Data

Grafik di samping
menunjukkan adanya
hubungan antara
variabel tergantung
tingkat kepuasan dengan
nilai prediksinya. Model
yang memenuhi
persyaratan ialah
sebaran dimulai dari
sebelah kiri bawah
kemudian lurus kearah
kanan dan keatas.
Jika dilihat sebaran data di atas, maka dapat disimpulkan bahwa sebaran
data sudah mengikuti persyaratan model keselarasan tiap data.
Kesimpulannya model regresi ini layak untuk digunakan dalam memprediksi
variabel tingkat kepuasan.
Validitas Model Regresi
Validitas model regresi yang sudah dibuat dapat dilakukan dengan
melihat hal-hal, antara lain: tidak terjadi otokorelasi, linieritas, dan
normalitas data.

Pengecekan masalah terjadi otokorelasi atau tidak.

Untuk melakukan terjadi otokorelasi atau tidak lakukan analisis sebagai
berikut:
• Klik Analyse > Regression > Linear
• Pindahkan variabel tingkat kepuasan ke kolom Dependent
• Pindahkan variabel jumlah kunjungan ke kolom Independent
• Isi kolom Method dengan perintah Enter
• Klik Option: Pada pilihan Stepping Method Criteria masukkan angka
0,05 pada kolom Entry >Cek Include constant in equation >Pada
pilihan Missing Values cek Exclude cases listwise >Tekan Continue
• Pilih Statistics: Pada pilihan Regression Coefficient pilih Durbin and
Watson > Continue
• Tekan OK
Cont…
Hasilnya sbb:

Nilai Durbin – Watson dilihat di kolom paling kanan “Durbin – Watson”

sebesar 1,602.
Terjadi otokorelasi jika angka Durbin dan Watson (DW) sebesar - 2 ≤ DW ≤
2 . Penghitungan didasarkan data observasi menghasilkan nilai sebesar
1,602. Nilai DW: -2 < 1,602 < 2. Dengan demikian tidak terjadi
otokorelasi.
Pengecekan terdapat hubungan linier antara variabel bebas (X)
dan variabel tergantung (Y)

Dari gambar tersebut diatas menunjukkan adanay hubungan linier antara

variable jumlah kunjungan dan tingkat kepuasan karena sebaran data
mengikuti garis lurus dari kiri bawah kearah kanan atas.
Data harus berdistribusi normal
Dengan menggunakan histogram kita dapat melakukan pengecekan apakah
data berdistribusi normal atau tidak. Historgram untuk kedua variable dapat
dilihat di bawah ini:

Meski tidak sempurna, didasarkan histogram di atas, data sudah mendekati

bentuk standar distribusi normal, yaitu sebaran data membentuk bel.
Prosedur Analisis Regresi Linier Berganda

 Kasus: Pada kasus ini kita akan

melihat pengaruh variabel
jumlah kunjungan ke titik
layanan penyelenggara telpon
selular X dan tanggapan
pegawai terhadap keluhan
pelanggan terhadap tingkat
kepuasan. Untuk melihat
hubungan tersebut kita
membuat langkah-langkah
seperti di bawah ini:
 Pertama: siapkan data
Kedua: membuat desain variabelnya

Ketiga : memasukkan data mulai nomor 1 sampai 11 seperti di bawah ini

Keempat: melakukan prosedur analisis seperti di bawah ini:
Lakukan analisis dengan cara sbb:
 Klik Analyse> Klik Regression: pilih Linear
 Klik Analyse> Klik Regression: pilih Linear
 Pindahkan variabel kepuasan ke kolom Dependent > Pindahkan variabel
kunjungan dan tanggapan ke kolom Independent > Masukkan variabel
bulan ke kolom Case Labels
 Isi kolom Method dengan perintah Enter
 Klik Option: Pada pilihan Stepping Method Criteria masukkan angka 0,05
pada kolom Entry > Cek Include constant in equation>Pada pilihan
Missing Values cek Exclude cases listwise>Tekan Continue
 Pilih Statistics: Pada pilihan Regression Coefficient pilih Estimate, Model
Fit, dan Descriptive. Pada pilihan Residual, pilih Durbin – Watson; Case
wise Diagnostics dan cek All Cases (untuk semua kasus)>Tekan Continue
 Klik Plots untuk membuat Grafik > Produce All Partial Plot > Continue
 Klik OK
 Keluaran akan menjadi seperti di bawah ini:

1) 3)

2)
4)

5)

6)
7)

8)
 Kelima: melakukan interpertasi Hasil

Bagian Statistik Deskriptif

Pada keluaran descriptive statistics berisi informasi mengenai:

 Besarnya rata-rata prediksi variabel tingkat kepuasan dan jumlah kunjungan.
Besarnya rata-rata prediksi tingkat kepuasan ialah 6921,00; jumlah
kunjungan ialah 47411,45; dan tanggapan pegawai sebesar 7292,64 .
 Nilai standard deviasi untuk variabel tingkat kepuasan dan jumlah kunjungan.
Standard deviasi tingkat kepuasan sebesar 2061,957; untuk jumlah kunjungan
sebesar 17901,178; dan untuk tanggapan pegawai sebesar 2215,438.
 Jumlah data (N) sebesar 11
Bagian Korelasi

Bagian korelasi memberikan informasi mengenai hubungan antara variabel

tingkat kepuasan dan jumlah kunjungan. Bagian sama dengan keluaran
korelasi dalam bab sebelumnya.
 Besar hubungan antara variabel tingkat kepuasan dan jumlah kunjungan
ialah 0,881. Nilai ini mempunyai arti hubungan kedua variabel tersebut
sangat kuat. Koefesien korelasi positif (0,881) menunjukkan bahwa
hubungan antara variabel tingkat kepuasan dan jumlah kunjungan searah.
Artinya jika variabel jumlah kunjungan meningkat maka tingkat kepuasan
akan meningkat pula.
Cont…
 Hubungan antara variabel jumlah kunjungan dan tingkat kepuasan
signifikan jika dilihat dari angka signifikansi (sig) sebesar 0,000 yang lebih
kecil dari 0,05. Didasarkan pada ketentuan, jika angka signifikansi < 0.05
hubungan antara kedua variabel tersebut signifikan.
 Besar hubungan antara variabel tingkat kepuasan dan tanggapan
pegawai ialah 0,999. Nilai ini mempunyai arti hubungan kedua variabel
tersebut sangat kuat. Koefesien korelasi positif (0,999) menunjukkan bahwa
hubungan antara variabel tingkat kepuasan dan tanggapan pegawai
searah. Artinya jika variabel jumlah kunjungan meningkat maka tanggapan
pegawai akan meningkat pula.
 Hubungan antara variabel tanggapan pegawai dan tingkat kepuasan
signifikan jika dilihat dari angka signifikansi (sig) sebesar 0,000 yang lebih
kecil dari 0,05. Didasarkan pada ketentuan, jika angka signifikansi < 0.05
hubungan antara kedua variabel tersebut signifikan.
Bagian Variabel yang Dimasukkan

Interpretasi sama dengan di bagian regresi linier sederhana

Bagian Ringkasan Model (Koefesien Determinasi)

Bagian Ringkasan Model menunjukkan besarnya koefesien determinasi

yang berfungsi untuk mengetahui besarnya variabilitas variabel
tergantung tingkat kepuasan yang dapat diterangkan dengan
menggunakan variabel bebas jumlah kunjungan dan tanggapan pegawai.
Koefesien diterminasi juga digunakan untuk menghitung besarnya peranan
atau pengaruh variabel bebas terhadap variabel tergantung. Koefesien
determinasi dihitung dengan cara mengkalikan r2 dengan 100% (r2 x
100%). Nilai penting dalam keluaran ini ialah: nilai R Square, nilai
Standard Error of the Estimate, dan nilai Durbin – Watson.
Cont…
 Nilai R Square dalam tabel di atas ialah sebesar 0,999. Angka R
Square disebut juga sebagai Koefesien Diterminasi. Besarnya angka
Koefesien Diterminasi, 0,999 atau sama dengan 99,9%. Angka
tersebut berarti bahwa sebesar 99,9% tingkat kepuasan yang terjadi
dapat dijelaskan dengan menggunakan variabel jumlah kunjungan dan
tanggapan pegawai. Sedang sisanya, yaitu 0,1% (100% - 99,9%)
harus dijelaskan oleh faktor-faktor penyebab lainnya. Dengan kata lain
besarnya pengaruh jumlah jumlah kunjungan dan tanggapan pegawai
terhadap tingkat kepuasan ialah sebesar 99,9% sedang sisanya
sebesar 0,1% dipengaruhi oleh faktor lain diluar model regresi ini.
Besarnya pengaruh faktor lain disebut sebagai error (e). Untuk
menghitung nilai error dapat digunakan rumus: e = 1 – r2.

Sebagai catatan ialah bahwa besarnya R square berkisar antara 0 –1

yang berarti semakin kecil besarnya R square, maka hubungan kedua
variabel semakin lemah. Sebaliknya jika R square semakin mendekati 1,
maka hubungan kedua variabel semakin kuat.
Cont…
 Nilai R Square dalam tabel di atas ialah sebesar 0,999. Angka R
Square disebut juga sebagai Koefesien Diterminasi. Besarnya angka
Koefesien Diterminasi, 0,999 atau sama dengan 99,9%. Angka
tersebut berarti bahwa sebesar 99,9% tingkat kepuasan yang terjadi
dapat dijelaskan dengan menggunakan variabel jumlah kunjungan dan
tanggapan pegawai. Sedang sisanya, yaitu 0,1% (100% - 99,9%)
harus dijelaskan oleh faktor-faktor penyebab lainnya. Dengan kata lain
besarnya pengaruh jumlah jumlah kunjungan dan tanggapan pegawai
terhadap tingkat kepuasan ialah sebesar 99,9% sedang sisanya
sebesar 0,1% dipengaruhi oleh faktor lain diluar model regresi ini.
Besarnya pengaruh faktor lain disebut sebagai error (e). Untuk
menghitung nilai error dapat digunakan rumus: e = 1 – r2.

Sebagai catatan ialah bahwa besarnya R square berkisar antara 0 –1

yang berarti semakin kecil besarnya R square, maka hubungan kedua
variabel semakin lemah. Sebaliknya jika R square semakin mendekati 1,
maka hubungan kedua variabel semakin kuat.
Cont…
 Nilai Standar Error of the Estimate (SEE) pada tabel ialah 74,617.
Nilai ini akan digunakan untuk menilai kelayakan predictor (variabel
bebas) dalam kaitannya dengan variabel tergantung. Ketentuannya
ialah: jika nilai SEE < nilai standard deviasi; maka predictor yang
digunakan untuk memprediksi variabel tergantung sudah layak. Pada
keluaran di atas nilai SEE sebesar 74,617 < nilai standard deviasi
untuk variabel tergantung tingkat kepuasan 2061,957. Ini artinya
variabel bebas jumlah kunjungan sudah layak dijadikan predictor untuk
variabel tergantung tingkat kepuasan.
 Nilai Durbin - Watson pada tabel diatas sebesar 1,455. Nilai ini
mempunyai makna tidak terjadi otokorelasi dalam model regresi ini.
Ketentuannya ialah akan terjadi otokorelasi jika nilai Durbin – Watson:
- 2 ≤ DW ≤ 2.
Bagian Anova

Bagian ini menunjukkan besarnya angka probabilitas atau signifikansi pada

perhitungan Anova yang akan digunakan untuk uji kelayakan model regresi
dengan ketentuan angka probabilitas yang baik untuk digunakan sebagai
model regresi ialah harus lebih kecil dari 0,05.
 Uji ANOVA menghasilkan angka F sebesar 3814,150 dengan tingkat
signifikansi (angka probabilitas) sebesar 0,000. Karena angka probabilitas
0,000 < dari 0,05, maka model regresi ini sudah layak untuk digunakan
dalam memprediksi tingkat kepuasan. Untuk dapat digunakan sebagai
model regresi yang dapat digunakan dalam memprediksi variabel
tergantung, maka angka signifikansi / probabilitas (sig) harus < 0,05.
Cont…
Untuk menguji apakah memang benar variabel bebas jumlah
kunjungan dan tanggapan pegawai mempengaruhi variabel
tergantung tingkat kepuasan, kita dapat melakukan pengujian dengan
menggunakan angka F dari keluaran ANOVA di atas. Langkah-
langkahnya sebagai berikut:

Pertama: membuat hipotesis dengan bunyi sebagai berikut:

 H0: Jumlah kunjungan tidak berpengaruh terhadap tingkat
kepuasan
 H1: Jumlah kunjungan berpengaruh terhadap tingkat kepuasan

Kedua: menghitung nilai F tabel dengan ketentuan sebagai berikut:

 α : 0,05
 Degree of Freedom: Vektor 1: jumlah variabel – 1 atau 3 -1 = 2.
Vektor 2 jumlah kasus – jumlah variabel atau 11 – 2 = 9. Dengan
ketentuan tersebut diperoleh nilai F dari tabel sebesar: 4,26
Cont…
Ketiga: Menentukan kriteria didasarkan ketentuan yang sudah
ada seperti di bawah ini
 Jika F hitung (Fo) > F tabel, maka H0 ditolak dan H1 diterima
 Jika F hitung (Fo) < F tabel, maka H0 diterima dan H1 ditolak

Keempat: mengambil keputusan sebagai berikut:

Karena nilai Fo dari Tabel ANOVA diatas sebesar 3814,150 >
nilai F tabel sebesar 4,26; maka H0 ditolak dan H1 diterima.
Artinya jumlah kunjungan dan tanggapan pegawai berpengaruh
terhadap tingkat kepuasan.
Bagian Koefisen Regresi

Bagian ini menggambarkan persamaan regresi untuk mengetahui

angka konstan, dan uji hipotesis signifikansi koefesien regresi.
Persamaan regresinya adalah:
Y = a + b1 x1 + b2 x2
Cont…
Dimana:
• Y = tingkat kepuasan
• X = data jumlah kunjungan hasil observasi
• a = angka konstan dari Unstandardized Coefficient yang dalam
penelitian ini ialah sebesar 102,887. Angka ini berupa angka konstan
yang mempunyai arti: besarnya tingkat kepuasan saat nilai X1 (jumlah
kunjungan) dan X2 (tanggapan pegawai) sama dengan 0
• b1 = angka koefisien regresi pertama sebesar -0,007. Angka tersebut
mempunyai arti bahwa setiap penambahan 1 kunjungan ke titik
layanan, maka tingkat kepuasan akan turun -0,007.
• b2 = angka koefisien regresi kedua sebesar 0,980. Angka tersebut
mempunyai arti bahwa setiap penambahan`1 tanggapan yang
diberikan oleh pegawai maka tingkat kepuasan akan naik sebesar
0,980.

Oleh karena itu, persamaannya menjadi:

Y = 102,887 - 0,007 X1 + 0,980 X2
Cont…
Untuk mengetahui apakah koefesien regresi signifikan atau tidak kita akan
menggunakan uji t untuk menguji signifikansi konstanta dan variabel jumlah
kunjungan serta tanggapan pegawai yang digunakan sebagai predictor untuk
variabel tingkat kepuasan.
Caranya sebagai berikut:
Pertama : membuat hipotesis dengan bunyi sebagai berikut:
H0= koefesien regresi tidak signifikan
H1= koefesien regresi signifikan
Kedua : menghitung nilai t tabel dengan ketentuan sbb:
/2 = 0,05/2 = 0,025
Degree of Freedom (DF) = (jumlah data – 2) atau 11 –2 = 9
Dengan ketentuan tersebut didapatkan nilai t dari tabel sebesar 2,262\
Ketiga : menentukan kriteria didasarkan ketentuan yang ada seperti di bawah ini
Jika t hitung (to) < t table maka H0 diterima dan H1 ditolak
Jika t hitung (to > t table maka H0 ditolak dan H1 diterima.
Keempat : membuat keputusan sebagai berikut:
Karena nilai t hitung untuk variabel jumlah kunjungan (to) sebesar -2,359;
maka pengujian hipotesis digunakan grafik seperti di bawah ini.
Cont…

Karena to sebesar -
2,359 jatuh di
daerah penolakan,
maka H0 ditolak dan
H1 diterima. Artinya
koefesien regresi
pertama signifikan.
Pengujian koefesien regresi kedua dapat dilakukan dengan cara
menggunakan ketentuan pertama karena nilai t hitung diketemukan positif,
yaitu 41,179. Nilai to 41,179 > nilai t tabel 2,262. Dengan demikian H0
ditolak dan H1 diterima. Artinya kofesien regresi kedua signifikan.
Bagian Diagnosa per Kasus

Pada bagian ini menunjukkan hasil prediksi persamaan regresi.

Pembahasan dimulai dari Case Number 1, maka persamaan
regresinya adalah: Y = 102,887 - 0,007 X1 + 0,980 X2
Cont…
• Untuk kasus nomor 1 besarnya jumlah kunjungan berdasarkan data
observasi ialah sebesar:47098, maka persamaannya menjadi sebagai
berikut: Y = 102,887 - 0,007 x 47098 + 0,980 x 7057). Hasilnya
tertera pada kolom Predicted Value, yaitu 6692,23. Penghitungan untuk
kasus berikutnya dilakukan dengan cara yang sama.
• Kolom residual sebesar 61,771 memberikan penjelasan adanya selisih
antara tingkat kepuasan data observasi dengan tingkat kepuasan yang
diprediksikan atau 6754 – 6692,23 = 61,771
• Kolom Std Residual (standardised residual) menyatakan residual yang
distandarkan dengan cara: Residual dibagi dengan Standard Error of
the Estimate (nilai dapat diperoleh di keluaran Model Summary). Untuk
kasus pertama: 61,771/ 74617= 0,828.
• Besar kecilnya angka residual dan standard residual memberikan
makna bagi persamaan regresi yang akan digunakan untuk
memprediksi data. Semakin kecil angka angka residual dan standard
residual, maka model regresi semakin baik untuk digunakan dalam
memprediksi.
Bagian Statistik Residual

Bagian ini memberikan penjelasan mengenai nilai minimum tingkat

kepuasan yang diprediksi, yaitu sebesar: 3537,65; nilai maksimum
tingkat kepuasan yang diprediksi sebesar: 9978,01; rata-rata tingkat
kepuasan yang diprediksi sebesar 6921,00. Angka ini berlaku untuk
semua kasus yang diteliti.
Pengujian Tidak Terjadi Multikolinieritas
Multikolinieritas akan terjadi jika korelasi antar variabel bebas menunjukkan
nilai yang sangat tinggi atau mendekati 1. Jika dilihat pada tabel keluaran
korelasi, nilai korelasi antara variabel jumlah kunjungan dengan tanggapan
pegawai sebesar 0,894. Dengan demikian tidak terjadi multikolinieritas
karena nilai tersebut masih jauh dibawah 1.

Cara lain untuk melakukan pengujian apakah terdapat multikolinieritas atau

tidak dapat diketahui dengan menggunakan nilai Varian Inflation Factor
(VIF). Jika nilai VIF > 5, maka terjadi mulitkolinieritas antar variabel bebas.
Untuk menghitung nilai VIF dalam IBM SPSS caranya ialah:
• Analyse > Regression > Linier
• Masukkan variabel tingkat kepuasan ke kolom Dependent
• Masukkan variabel jumlah kunjungan dan tanggapan ke kelom
Independent
• Pilih Statistics > Pada pilihan Regression Coefficient cek pada bagian
Covariance Matrix dan Collinierity Diagnostics. Klik Continue.
• Klik OK.
Cont…
Kemudian kita ambil hasil keluaran yang diperlukan saja, yaitu pada
keluaran seperti di bawah ini:

Nilai VIF pada kolom Collinearity Statistics menunjukkan angka sebesar

4,994 < 5 untuk kedua variabel bebas jumlah kunjungan dan
tanggapan pegawai. Dengan demikian tidak terjadi multikolinieritas
dalam model regresi ini.
Latihan

 DI samping ini terdapat

data penjualan dan
promosi, lakukan analisis
regresi dimana variabel
promosi sebagai variabel
bebas / predictor dan
penjualan sebagai variabel
tergantung.
Latihan

Dengan menggunakan data diatas jawablah pertanyaan-pertanyaan di

bawah ini
1. Berapa rata-rata penjualan?
2. Apakah ada hubungan antara promosi dengan penjualan?
3. Bagaimana arah hubungan kedua variabel tersebut dan maknanya?
4. Apakah hubungan kedua variabel tersebut signifikan?
5. Berapa besar pengaruh promosi terhadap penjualan?
6. Berapa besar faktor selain promosi yang mempengaruhi penjualan?
7. Jika perusahaan tersebut tidak melakukan promosi, berapa besar
laba perusahaan tersebut?
8. Jika perusahaan tersebut menambah satu kali promosi, berapa besar
kenaikan penjualan?
Latihan

9. Hitung dengan menggunakan persamaan regresi semua penjualan

yang diprediksi mulai untuk semua bulan?
10. Berapa besar rata-rata penjualan yang diprediksi di semua bulan?
11. Berapa besar laba tertinggi yang diprediksi?
12. Berapa besar laba terendah yang diprediksi?
13. Bagaimana kecenderungan penjualan di waktu yang akan datang?
14. Lakukan pengujian kelayakan model regresi pada data di atas.