Analisis Regresi Berganda

1
Definisi
 Model regresi yang digunakan untuk membuat
hubungan antar satu variabel terikat dengan beberapa
variabel bebas
Contoh:
Produksi kelapa sawit
Jumlah produksi kelapa sawit dipengaruhi oleh
luas lahan, jumlah pupuk yang digunakan,
bibit, jumlah tenaga kerja dan lain sebagainya

2
Kasus
Cari 1 topik yang menarik perhatian anda di salah satu
bidang yang disenangi berikut:

 Pemasaran
 Manajemen Pemasaran
 Manajemen Sumberdaya manusia

3
ANALISIS REGRESI BERGANDA
Bentuk persamaan regresi dengan dua variabel indenpenden adalah:

Y = a + b1 X1 + b2 X2
Bentuk persaman regresi dengan 3 veriabel independen adalah:

Y = a + b X1 + b2 X2 + b3 X3

Bentuk umum persamaan regresi untuk k variabel indenden dapat

dirumuskan sebagai berikut:

Y = a + b1 X1 + b2 X2 + b3X3 + … + bk Xk

4
Asumsi-asumsi Klasik
 Prinsip-prinsip
yang mendasari regresi linear
berganda tidak berbeda dengan regrsi linear
sederhana.
 Sejumlah asumsi terhadap penggunaan pendekatan OLS
(Ordinary Least Square) sebagai salah satu alat estimasi
guna mencapai parameter yang BLUE (Best Linear Un-
biased Estimator) antara lain adalah : Tetapnya nilai
varian (asumsi homoskedastisitas), tidak berkorelasinya
antar variabel bebas (non Multikolinearitas), tidak
berkorelasinya antara variabel pengganggu (non serial
correlation)/non otokorelasi) dan asumsi normalitas.
5
Uji Multikolinearitas
• Uji multikolinearitas bertujuan untuk menguji apakah
model regresi ditemukan adanya korelasi antar variabel
bebas (independent variable).
• Cara mendeteksi ada atau tidaknya multikolinearitas:
– Nilai R² yang dihasilkan sangat tinggi, tetapi scr individual
variabel bebas banyak yg tidak signifikan mempengaruhi
varibel terikat.
– Menganalisis matriks korelasi variabel-variabel bebas. Jika
antar variabel bebas ada korelasi yg cukup tinggi (di atas
0.90), ini merupakan indikasi adanya multikolinearitas.
– Multikolinearitas dapat juga dilihat dari nilai tolerance dan
lawannya variance inflation factor (VIF). Terjadi
multikolinearitas jika nilai tolerance ≤ 0.10 atau nilai VIF ≥
10.
Akibat adanya multikolinearitas antara lain adalah :
1. Dengan semakin meningkatnya kolinearitas, probabili-
tas melakukan kesalahan tipe 2 pada hipotesis (meneri-
ma hipotesis yang pada hakekatnya salah) akan semakin
besar.
2. Pengujian masing-masing koefisien regresi tidak satupun
yang bermakna atau hanya satu yang bermakna
(walaupun koefisien determinasinya tinggi)
Terapi yang dapat digunakan dengan adanya multikoli-
nearitas antara lain adalah :
1. Mengadakan penggabungan antara data cross-section
dan time series, yang disebut dengan pooling data
2. Mengeluarkan salah satu variabel bebasnya dari model.
3. Mentransformasi variabel yang ada dalam model.
4. Menambah data baru atau memperbesar ukuran
sampel.
Uji Autokorelasi
 Uji autokorelasi bertujuan untuk melihat apakah dalam model regresi
linear ada korelasi antara kesalahan pengganggu pada periode t
dengan kesalahan pengganggu pada periode t-1 (sebelumnya).
 Ada cara mendeteksi ada atau tidaknya autokorelasi, yaitu Uji
Durbin-Watson (DW test), Uji Lagrange Multiplier (LM test), Uji
Statistics Q : Box-Pierce dan Ljung Box, dan Run Test.
 Pada pembahasan ini akan dilakukan uji autokorelasi dengan Uji
Durbin-Watson
 Uji Durbin-Watson digunakan untuk autokorelasi tingkat satu (first
order autocorrelation) dan mensyaratkan adanya intercept
(konstanta) dalam model regresi dan tidak ada variabel lag di antara
variabel bebas.
• Hipotesis:
– H0 : tidak ada autokorelasi (r=0)
– H1 : ada auto korelasi (r≠ 0)

Hipotesis Nol Keputusan Jika

Tidak ada autokorelasi positif Tolak 0 < d < dL
Tidak ada autokorelasi positif Tak ada kep. dL ≤ d ≤ dU
Tidak ada autokorelasi negatif Tolak 4 - dL < d < 4
Tidak ada autokorelasi negatif Tak ada kep. 4 - dU ≤ d ≤ 4 - dL
Tidak ada autokorelasi positif/negatif Terima dU < d < 4 - dU
Uji Heteroskedastisitas
• Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model
regresi linear terjadi ketidaksamaan variance dari residual satu
pengamatan ke pengamatan yang lain.
• Model regresi yang baik adalah yang homoskedastisitas atau tidak
terjadi heteroskedastisitas.
• Ada cara mendeteksi ada atau tidaknya heteroskedastisitas, yaitu
Spearman’ rho, Uji Glejser, Uji Park, dan Melihat Pola Grafik.
• Pada pembahasan ini akan dilakukan uji heteroskesastisitas dengan
melihat Grafik Plotpre antara nilai prediksi variabe dengan residualnya
SRESID.
• Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan
melihat ada tidaknya pola tertentu pada grafik scatterplot antara
ZRESID dan ZPRED di mana sumbu Y adalah Y yang diprediksi, dan
sumbu X adalah residual (prediksi – Y sesungguhnya) yang telah di-
studentized.
Dasar Analisis:
• Ada pola tertentu, seperti titik-titik yang ada
membentuk pola tertentu yang teratur
(bergelombang, melebar kemudian menyempit),
maka mengindikasikan telah terjadi
heteroskedastisitas.
• Jika tidak ada pola yang jelas, serta titik-titik
menyebar dia atas dan di bawah 0 pada sumbu Y,
maka tidak terjadi heteroskedastisitas.
Persamaan untuk mendapatkan koefisien regresi
model regresi berganda dengan 2 variabel bebas

Prinsip metode ordinary least square(OLS) adalah

meminimumkan jumlah kuadrat deviasi di sekitar
garis regresi. Nilai koefisien regresi a, b1, dan b2
dapat dipecahkan secara simultan.

Y = na + b1X1 + b2X2 (1)

X1Y = aX1 + b1X12 + b2X1 X2 (2)
X2Y = aX2 + b1X1 X2 + b2X22 (3)

13
Contoh kasus
 Seorang mahasiswa ingin mengetahui apakah ada
pengaruh harga dan pendapatan masyarakat
berpengaruh terhadap permintaan minyak bensin di
kota Pekanbaru. Untuk membuktikan hal tersebut
mahasiswa melakukan penelitian dengan
menggunakan 10 samapel dengan data terlihat pada
tabel 1.

14
Tabel 1: Data PERMINTAAN minyak, HARGA DAN PENDAPATAN

Nomor Permintaan (Y) Harga Pendapatan

Sampel Minyak ( minyak (X1) (Rp (X2)

1 3 8 10
2 4 7 10
3 5 7 8
4 6 7 5
5 6 6 4
6 7 6 3
7 8 6 2
8 9 6 2
9 10 5 1
10 10 5 1

15
Untuk mendapatkan koefisien regresi, perlu dihitung : Y,
X1, X2, X1Y, X12, X1 X2, X2Y, X22

Y X1 X2 YX1 YX2 X12 X22 X1X2

3 8 10 24 30 64 100 80
4 7 10 28 40 49 100 70
5 7 8 35 40 49 64 56
6 7 5 42 30 49 25 35
6 6 4 36 24 36 16 24
7 6 3 42 21 36 9 18
8 6 2 48 16 36 4 12
9 6 2 54 18 36 4 12
10 5 1 50 10 25 1 5
10 5 1 50 10 25 1 5
X1Y= X2Y= X12= X22= X1X2 =
Y=68 X1 = 63 X2 =46 409 239 405 324 317

16
 Dengan metode eliminasi
68 = 10a + 63b1+ 46b2 …(1)
409 = 63a + 405b1+ 317b2 …(2)
239 = 46a + 317b1+ 324b2 …(3)
Untuk mendapatkan nilai koefisien regresi a, b1, dan b2 dapat
dilakukan dengan Subtitusi antar persamaan
-428,4 = -63a –396,9 b1-289,8b2 …persamaan 1 dikalikan – 6,3
409 = 63a + 405b1 + 317b2 + …………………. (2)
-19,4 = 0 + 8,1b1 + 27,2b2 ... ....……………. (4)

-312,8 = -46a –289,8 b1 - 211,6b2 Persamaan 1 dikalikan –4,6

239 = 46a + 317b1 + 324b2 + …………………..... (3)
-73,8 = 0 + 27,2b1 + 112,4b2 ………………………. (5)

17
Dari persamaan diatas, nilai b2 adalah = -8,65/21,06 = -0,41.
Setelah menemukan nilai b2, nilai b1 dapat dicari dengan
mempergunakan persamaan 4 atau 5.
-19,4 = 0 + 8,1b1 + 27,2(-0,41) ……… (4)
19,4 = 8,1b1 - 11,18
8,1b1 = -19,4 + 11,18
8,1 b1 = - 8,22
b1 = -8,22/8,1 = -1,015

68 = 10a + 63 (-1,015) + 46(-0,41)……………………….. (1)

68 = 10a - 63,96 – 18,90
10a = 68 + 92,86
a = 150,86/10 = 15,086

Dengan menemukan nilai koefisien regresi a, b1, dan b2 maka persamaan

regresinya dapat dinyatakan sebagai berikut:

Y = 15,086 – 1,015X1 – 0,41 X2

18
 RUMUS KOEFISIEN DETERMINASI (R2)
Koefisien Determinasi menunjukkan suatu proporsi dari
varian yang dapat diterangkan oleh persamaan regresi
(regression of sum squares, RSS). Besarnya koefisien
determinasi dirumuskan sebagai berikut:

( Ŷ  Y ) 2

R 
2
atau
(Y  Y ) 2

n (a. Y  b1 . YX 1  b 2 YX 2 )  ( Y) 2
R2 
n. Y  ( Y)
2 2

19
 n (a. Y  b1 . YX 1  b 2 YX 2 )  ( Y) 2

R 
2

n. Y  ( Y)
2 2

R2 
10(15,086)( 68)  1,015( 409)  ( 0, 41)( 239)   ( 68) 2

(10)(516)  (68) 2

R 2  0,939

20
 Kesalahan baku regresi :

SY . X1 X 2 
  aY  b1  X1Y  b2  X 2Y
Y 2

n3

516  (15,086 x 68)  (1,01524  409)  (0,41 x 239)

SY.X1X 2 
10  3
SY.X1X 2  0,72

21
Kesalahan baku penduga (standar error
estimation Sb)
 Yaitu seberapa nilai penduga yaitu b1 dan b2
dari nilai sebenarnya (parameter populasi)

S y . x1x 2
Sb1   0,580
 2
(X  n X1 )(1  rX1X 2 )
2 2
1

22
 S y . x1x 2
Sb 2 
 2
(X  n X 2 )(1  rX1X 2 )
2 2
2

Sb 2  0,156

23
Uji Signifikansi parsial atau individu
b1  B1  1,015  0
t hit .b1    1,75
Sb1 0,58

b 2  B2  0,410  0
t hit .b 2    2,673
Sb 2 0,1558

24
Uji Parsial
 Dalam uji pasial, masing-masing koefisien thit untuk
masing-masing koefisien tersebut diuji, apakah
signifikan atau tidak
 Bentuk pengujian sama seperti sebelumnya dua arah
atau satu arah
 Hipothesis yang diuji:
Ho: b1=0 dan
H1: b1  0

25
 UJI SIGNIFIKANSI SERENTAK (UJI F)

Hipotesa yang ingin diuji adalah kemampuan

variabel bebas menjelaskan tingkah laku variabel
tidak bebas, apabila variabel bebas tidak dapat
mempengaruhi variabel bebas dapat dianggap nilai
koefisien regresinya sama dengan nol, sehingga
berapa pun nilai variabel bebas tidak akan
berpengaruh terhadap variabel bebas. Terhadap
persamaan pada contoh satu yaitu Y = 15,086 –
1,015X1 – 0,41 X2, variabel bebas X1, dan X2
dikatakan mampu mempengaruhi Y apabila nilai
koefisien b1 dan b2 tidak sama dengan nol, apabila
sama dengan nol, maka dikatakan tidak mampu
mempengaruhi variabel bebas Y.
26
Tabel F
Untuk uji ini digunakan tabel F. Nilai F-tabel perlu
diketahui derajat bebas pembilang pada kolom, derajat
bebas penyebut pada baris dan taraf nyata Diketahui
ada tiga variabel yaitu Y, X1, dan X2, jadi k=3,
sedangkan jumlah n=10.
Jadi derajat pembilang k - 1=3 - 1=2, sedangkan
derajat penyebut n - k=10 - 3=7 dengan taraf nyata
5%. Nilai F-tabel dengan derajat pembilang 2 dan
penyebut 7 pada taraf nyata 5% adalah 4,74

27
 Nilai F-hitung ditentukan dengan rumus
:
sebagai berikut:
R 2 /( k  1)
F
(1  R 2 ) /( n  3)

0 ,933 /( 3  1)
F  0 ,4665 / 0 ,0096  48 ,73881
( 1  0 ,933) /( 10  3 )

28
UJI SIGNIFIKANSI SERENTAK (UJI F)

Tolak Ho

Terima
Ho

F-Hitung=
F-Tabel=4,74
48,74

29
Latihan
1. Gunakan data tabel 2, untuk menentukan:
a. Persamaan regresi berganda
b. Ujilah apakah harga dan promosi secara parsial
berpengaruh terhadap penjualan susu kaleng.
c. Ujilah apakah harga dan promosi secara simultan
berpengaruh terhadap penjulan susu kaleng

30
Tabel 2. Data Tingkat Penjualan, Harga dan Promosi susu kaleng

Minggu Tingkat penjualan (ribu Harga ($/kaleng) Promosi

kaleng) X1 ($ 100)
Y X2
1 10 1.3 9
2 6 2.0 7
3 5 1.7 5
4 12 1.5 14
5 10 1.6 15
6 15 1.2 12
7 5 1.6 6
8 12 1.4 10
9 17 1.0 15
10 20 1.1 21