Regresi Linier Berganda

MODEL REGRESI LINIER GANDA
Bentuk umum model regresi linier berganda dengan k

variabel bebas adalah
Y = 0 + 1X1 + 2X2 + ... + kXk + 

 Y = variabel terikat
 X1, X2, ..., Xk = variabel-variabel bebas
  = residu acak
 0, 1, ..., k = parameter-parameter populasi yang nilainya tidak
diketahui dan harus diestimasi dari data.
Nilai i menyatakan kontribusi dari variabel bebas Xi terhadap

variabel terikat Y.
• Pada model regresi linier,
 residu acak  diasumsikan mempunyai mean 0
dan variansi 2
 Untuk uji hipotesis diasumsikan bahwa residu
acak berdistribusi normal dan tidak berkorelasi.
 Syarat pengujian regresi linear adalah

 residu acak berdistribusi normal, diuji dengan uji Liliefors
 residu acak tidak berkorelasi, diuji dengan uji autokolinear
REGRESI LINIER GANDA DENGAN
DUA VARIABEL BEBAS
Model regresi linier dengan dua variabel bebas
adalah
Y = 0 + 1X1 + 2X2 + 
 X1 , X2 = variabel-variabel bebas
 0, 1 dan 2 = parameter populasi yang nilainya tidak
diketahui.
 residu acak  diasumsikan mempunyai mean 0 dan variansi 2

dan tidak berkorelasi.
DATA REGRESI LINIER GANDA
DENGAN DUA VARIABEL BEBAS
Responden Variabel Bebas Variabel Bebas Variabel Terikat

X1 X2 Y
1 X11 X12 Y1
2 X21 X22 Y2
3 X31 X32 Y3
... ... ... ...
i Xi1 Xi2 Yi
... ... ... ...
n Xn1 Xn2 Yn
Y1   0   1 X 11   2 X 12   1
Y2   0   1 X 21   2 X 22   2

Yn   0   1 X n1   2 X n 2   n
Variabel-variabel residu 1, 2, ..., n diasumsikan semuanya

memiliki mean 0, variansi 2, dan tidak berkorelasi.
.
MENGESTIMASI 0, 1 dan 2
Jika b0, b1 dan b2 masing-masing adalah estimator

untuk 0, 1 dan 2 maka
b1 
 2  x1 y   x1 x2  x2 y
x 2
x x    x1 x 2 
2 2 2
1 2
b2 
 1  x2 y   x1 x2  x1 y
x 2
x x    x1 x 2 
2 2 2
1 2
b0  Y  b1 X 1  b2 X 2
UJI KEBERARTIAN PERSAMAAN REGRESI LINEAR GANDA
• Hipotesis Statistik
H0 : 1 = 2 = 0 (model regresi tidak berarti)
H1 : Paling sedikit ada satu tanda  0 (model regresi berarti)
• Statistik Uji
JK (reg ) / 2
F 
JK ( S ) /(n  3)
JK ( R )  y 2
JK ( reg )  b1  x1 y  b2  x2 y
JK ( S )  JK ( R )  JK ( reg )
UJI SIGNIFIKANSI PERSAMAAN REGRESI LINEAR GANDA
• Kriteria Pengujian
Terima Ho jika Fhitung < Ftabel denganderajat pembilang 2 dan
penyebut (n-3) pada pada taraf signifikansi 
UJI KEBERARTIAN KOEFISIEN KORELASI GANDA
Ho : Koefisien korelasi ganda tidak berarti
H1 : Koefisien korelasi ganda berarti
• Statistik Uji
R2 / 2
F 
(1  R 2 ) /( n  3)
JK ( reg ) b1  x1 y  b2  x2 y
R 2
 
JK ( R )  y2
Koefisien determinasi  R 2
Terima Ho jika Fhitung < F denganderajat pembilang 2 dan
penyebut (n-3) pada taraf signifikansi 
UJI KEBERARTIAN KOEFISIEN REGRESI LINEAR GANDA
Menguji Parameter secara Individual
• H0 : 1 = 0, dan H0 : 2 = 0.
o Ketika menguji H0 : 1 = 0 maka 0 dan 2 berada di dalam model,

o Ketika menguji H0 : 2 = 0 maka 0 dan 1 berada di dalam model
H0 : i = 0 (tidak ada pengaruh Xi terhadap Y) , i = 1, 2
H1 : i  0 (ada pengaruh Xi terhadap Y) i = 1, 2
• Statistik Uji
bk
tk 
sbk
bk =koefisien regresi ke- k
sbk =galat bakukoefisien b yangke- k
Terima Ho jika | t | > t/2 dengan db = n-3 dan pada
taraf signifikansi 
UJI KEBERARTIAN KORELASI PARSIAL
• Korelasi parsiil bertujuan untuk mengetahui kontribusi masing-
masing variabel bebas terhadap variabel terikat
• Regresi linear ganda 2 variabel memiliki korelasi parsial

sebanyak 2 buah
– Korelasi parsial yang pertama :
• Menyatakan hubungan antara variabel bebas pertama
dengan variabel terikat dengan menghilangkan
pengaruh variabel bebas kedua dengan variabel
terikatnya
– Korelasi parsial yang kedua:

• Menyatakan hubungan antara variabel bebas kedua
dengan variabel terikat dengan menghilangkan
pengaruh variabel bebas pertama dengan variabel
terikatnya
UJI SIGNIFIKAN KORELASI PARSIAL
• Hipotesis Statistik:
– Ho : koefisien korelasi parsiil antara Y dan X1
jika X2 tetap , tidak berarti
– H1 : koefisien korelasi parsiil antara Y dan X1
jika X2 tetap, berarti
– Ho : koefisien korelasi parsiil antara y dan X2

jika X1 tetap, tidak berarti
jika X1 tetap, berarti
• Statistik Uji
rY 1.2 n  3
t 
1  rY 1.2 2
rY n  3
t  2.1
1  rY 2.1
2
terima Ho jika | t | > t/2 dengan db = n-3 pada taraf
signifikansi 
ANALISIS DATA DENGAN SPSS
JUDUL PENELITIAN
o Pengaruh Kemampuan Numerik dan
Kecemasan Terhadap
Hasil Belajar Matematika
o Hubungan Kemampuan Numerik dan

Kecemasan dengan
Hasil Belajar Matematika
UJI PERSYARATAN ANALISIS DATA
• Nilai uji Durbin-Watson = 1,655 (nilai antara 1 dan 3), maka residu tidak terjadi
autocorrelation atau independen artinya residu dari model regresi ganda bersifat
independen
• Nilai VIF = 1,007 (nilai VIF mendekat 1)maka dapat dianggap tidak terjadi
multicollinearitas maka variabel bebas bersifat independen
PLOT UJI NORMALITAS
HASIL PENGUJIAN DENGAN SPSS dan
INTERPRETASINYA
Uji Keberartian Persamaan Regresi Linear Ganda
H0 : 1 = 2 = 0 (model regresi tidak berarti)
• Hasil Pengujian
Karena nilai Sig. = 0.002 < 0,05 maka H0 ditolak

Persamaan regresi linear ganda yang diperoleh dapat digunakan untuk
memprediksi nilai Y jika diketahui nilai X1 dan X2, pada populasi dimana data
sampel tersebut diambil
Uji Keberartian Koefisien Regresi Linear Ganda
• Hasil Pengujian
1. Karena nilai Sig. = 0.001 < 0,05 maka H0 ditolak, maka terdapat pengaruh
kemampuan numerikterhadap hasil belajar matematika, dengan
kemampuan kecemasan tetap
2. Karena nilai Sig. = 0.058 > 0,05 maka H0 diterima, maka tidak terdapat
pengaruh kecemasan terhadap hasil belajar matematika, dengan
kemampuan numerik tetap
 Hasil Pengujian
Karena nilai Sig. = 0.002 < 0,05 maka H0 ditolak, maka terdapat pengaruh
kemampuan numerik dan kecemasan terhadap hasil belajar matematika.
53,2% variansi Y dapat dijelaskan oleh kemampuan numerik dan kecemasan
Uji Keberartian Koefisien Korelasi Parsial Linear Ganda
H0 : Y1.2 ≤ 0 (Koefisien korelasi parsiil antara Y dan X1 jika X2 tetap berarti)
H1 : Y1.2 > 0 (Koefisien korelasi parsiil antara Y dan X1 jika X2 tetap berarti)
H0 : Y2.1 ≥ 0 (Koefisien korelasi parsiil antara Y dan X2 jika X1 tetap berarti)

H1 : Y2.1 < 0 (Koefisien korelasi parsiil antara Y dan X2 jika X1 tetap berarti)
• Hasil Pengujian
1. Karena nilai Sig. = 0.001 < 0,05 maka H0 ditolak, maka terdapat korelasi
positif kemampuan numerik dan hasil belajar jika kecemasan tetap
2. Karena nilai Sig. = 0.114 > 0,05 maka H0 diterima, maka tidak terdapat
korelasi positif kecemasan dan hasil belajar jika numerik tetap
Uji Keberartian Koefisien Korelasi Linear Ganda
H0 : Y.12 = 0 (Koefisien korelasi ganda tidak berarti)
H1 : Y.12  0 (Koefisien korelasi ganda tidak berarti)
• Hasil Pengujian
Karena nilai Sig. = 0.002 < 0,05 maka H0 ditolak, maka terdapat koefisien
korelasi ganda antara hasil belajar dengan kemampuan numerik dan
kecemasan
Kesimpulan :
53,2% variasi yang terjadi pada hasil belajar matematika dapat dijelaskan
oleh kemampuan numerik (X1) dan kecemasan(X2) melalui
Y=66,101  0,823 X 1  0, 664 X 2
REGRESI LINIER GANDA DENGAN
DUA VARIABEL BEBAS
Model regresi linier dengan dua variabel bebas
adalah
Y = 0 + 1X1 + 2X2 + 3X3 + 
 X1 , X2 = variabel-variabel bebas
 0, 1 ,2 dan 3= parameter populasi yang nilainya tidak
diketahui.
 residu acak  diasumsikan mempunyai mean 0 dan variansi 2

dan tidak berkorelasi.
DATA REGRESI LINIER GANDA
DENGAN TIGA VARIABEL BEBAS
Responden Variabel Variabel Variabel Variabel

Bebas X1 Bebas X2 Bebas X3 Terikat Y
1 X11 X12 X13 Y1
2 X21 X22 X23 Y2
3 X31 X32 X33 Y3
... ... ... ... ...
i Xi1 Xi2 Xi3 Yi
... ... ... ... ...
n Xn1 Xn2 Xn3 Yn
Y1   0  1 X 11   2 X 12   2 X 13  1
Y2   0  1 X 21   2 X 22   2 X 13   2

Yn   0  1 X n1   2 X n 2   2 X 13   n
Variabel-variabel residu 1, 2, ..., n diasumsikan semuanya

memiliki mean 0, variansi 2, dan tidak berkorelasi.
.
MENGESTIMASI 0, 1 , 2 dan 3
Jika b0, b1 dan b2 masing-masing adalah estimator

untuk 0, 1, 2 dan 3 maka
UJI KEBERARTIAN PERSAMAAN REGRESI LINEAR GANDA
H0 : 1 = 2 = 3= 0 (model regresi tidak berarti)
• Statistik Uji
JK ( reg ) / 3
F 
JK ( S ) / ( n  4)
Terima Ho jika Fhitung < Ftabel denganderajat pembilang 3
dan penyebut (n-4) pada taraf signifikan
• Statistik Uji
• Kriteria Pengujian R 2 / 3
F 
(1  <RF2 denganderajat
Terima Ho jika Fhitung ) / ( n  4) pembilang 3 dan penyebut (n-4) pada
• H0 : 1 = 0, H0 : 2 = 0, dan H0 : 3 = 0

H0 : i = 0 (tidak ada pengaruh Xi terhadap Y) , i = 1, 2,3
H1 : i  0 (ada pengaruh Xi terhadap Y) i = 1, 2,3
• Statistik Uji
bk
tk 
sbk
bk =koefisien regresi ke- k
sbk =galat bakukoefisien b yangke- k
Terima Ho jika | t | > t/2 dengan db = n-4 pada
– Ho : koefisien korelasi parsiil antara Y dan X 1
jika X2 dan X3 tetap , tidak berarti
jika X2 dan X3 tetap, berarti
– Ho : koefisien korelasi parsiil antara y dan X2

jika X1 dan X3 tetap, tidak berarti
jika X1 dan X3 tetap, berarti
– Ho : koefisien korelasi parsiil antara Y dan X 3
jika X1 dan X2 tetap , tidak berarti
– H1 : koefisien korelasi parsiil antara Y dan X 3
jika X1 dan X2 tetap , berarti
• Statistik Uji
rY 1.2 n 3
t 
1  rY 1.2 2
rY 2.1 n 3
t 
1  rY 2.12
terima Ho jika | t | > t/2 dengan db = n-4 pada
JUDUL PENELITIAN
o Pengaruh Kemampuan Numerik,
Kecemasan dan kemampuan Bahasa
Terhadap Hasil Belajar Matematika
o Hubungan Kemampuan Numerik,

Kecemasan dan kemampuan Bahasa
dengan Hasil Belajar Matematika
UJI PERSYARATAN ANALISIS DATA
• Nilai uji Durbin-Watson = 1,953 (nilai antara 1 dan 3), maka residu tidak terjadi
autocorrelation atau independen artinya residu dari model regresi ganda bersifat
independen
• Nilai VIF mendekat 1 maka dapat dianggap tidak terjadi multicollinearitas maka
variabel bebas bersifat independen
PLOT UJI NORMALITAS
HASIL PENGUJIAN DENGAN SPSS dan
INTERPRETASINYA
Uji Keberartian Persamaan Regresi Linear Ganda
H0 : 1 = 2 = 3 = 0 (model regresi tidak berarti)
• Hasil Pengujian
Karena nilai Sig. = 0.004 < 0,05 maka H0 ditolak

Persamaan regresi linear ganda yang diperoleh dapat digunakan untuk
memprediksi nilai Y jika diketahui nilai X1, X2 dan X3, pada populasi dimana
data sampel tersebut diambil
Uji Keberartian Koefisien Regresi Linear Ganda
• Hasil Pengujian
1. Karena nilai Sig. = 0.001 < 0,05 maka H 0 ditolak, maka terdapat pengaruh kemampuan
numerik terhadap hasil belajar matematika, dengan kemampuan bahasa dan kecemasan
tetap
2. Karena nilai Sig. = 0.044 > 0,05 maka H 0 ditolak, maka terdapat pengaruh kecemasan
terhadap hasil belajar matematika, dengan kemampuan bahasa dan kemampuan numerik
tetap
3. Karena nilai Sig. = 0.389 > 0,05 maka H 0 diterima, maka tidak terdapat pengaruh kemampuan
bahasa terhadap hasil belajar matematika, dengan kemampuan numerik dan kecemasan
 Hasil Pengujian
Karena nilai Sig. = 0.004 < 0,05 maka H0 ditolak, maka terdapat pengaruh
kemampuan numerik dan kemampuan bahasa terhadap hasil belajar
matematika. 53,2% variansi Y dapat dijelaskan oleh kemampuan numerik
dan kemampuan bahasa
H0 : Y1.23 ≤ 0 (Koefisien korelasi parsiil antara Y dan X1 jika X2, X3 tetap berarti)
H1 : Y1.23 > 0 (Koefisien korelasi parsiil antara Y dan X1 jika X2, X3 tetap berarti)
H0 : Y2.13 ≥ 0 (Koefisien korelasi parsiil antara Y dan X2 jika X1, X3 tetap berarti)
H1 : Y2.13 < 0 (Koefisien korelasi parsiil antara Y dan X2 jika X1, X3 tetap berarti)
H0 : Y3.12 ≥ 0 (Koefisien korelasi parsiil antara Y dan X3 jika X1, X2 tetap berarti)
H1 : Y3.12 < 0 (Koefisien korelasi parsiil antara Y dan X3 jika X1, X2 tetap berarti)
• Hasil Pengujian
1. Karena nilai Sig. = 0.001 < 0,05 maka H0 ditolak, maka terdapat korelasi positif
kemampuan numerik dan hasil belajar jika kecemasan dan kemampuan
bahasa tetap
2. Karena nilai Sig. = 0.114 > 0,05 maka H0 diterima, maka tidak terdapat korelasi positif
kecemasan dan hasil belajar jika kemampuan numerik dan kemampuan bahasa tetap
3. Karena nilai Sig. = 0.254 > 0,05 maka H0 diterima, maka tidak terdapat korelasi positif
kemampuan bahasa dan hasil belajar jika kemampuan numerik dan kecemasan tetap
Uji Keberartian Koefisien Korelasi Linear Ganda
H0 : Y.123 = 0 (Koefisien korelasi ganda tidak berarti)
H1 : Y.123  0 (Koefisien korelasi ganda tidak berarti)
• Hasil Pengujian
Karena nilai Sig. = 0.004 < 0,05 maka H0 ditolak, maka terdapat korelasi antara
kemampuan numerik, kecemasan dan kemampuan bahasa dengan hasil belajar
Kesimpulan :
55,4% variasi yang terjadi pada hasil belajar matematika dapat dijelaskan
oleh kemampuan numerik (X1), kecemasan (X2) dan kemampuan bahasa (X3)
melalui
Y=66,101  0,823 X 1  0, 664 X 2

Regresi Linier Berganda

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Regresi Linier Berganda

Diunggah oleh

Hak Cipta:

Format Tersedia

MODEL REGRESI LINIER GANDA

Bentuk umum model regresi linier berganda dengan k

Y = 0 + 1X1 + 2X2 + ... + kXk + 

Nilai i menyatakan kontribusi dari variabel bebas Xi terhadap

 Syarat pengujian regresi linear adalah

 residu acak  diasumsikan mempunyai mean 0 dan variansi 2

Responden Variabel Bebas Variabel Bebas Variabel Terikat

Variabel-variabel residu 1, 2, ..., n diasumsikan semuanya

Jika b0, b1 dan b2 masing-masing adalah estimator

o Ketika menguji H0 : 1 = 0 maka 0 dan 2 berada di dalam model,

• Regresi linear ganda 2 variabel memiliki korelasi parsial

– Korelasi parsial yang kedua:

– Ho : koefisien korelasi parsiil antara y dan X2

o Hubungan Kemampuan Numerik dan

Karena nilai Sig. = 0.002 < 0,05 maka H0 ditolak

H0 : Y2.1 ≥ 0 (Koefisien korelasi parsiil antara Y dan X2 jika X1 tetap berarti)

Y = 0 + 1X1 + 2X2 + 3X3 + 

 residu acak  diasumsikan mempunyai mean 0 dan variansi 2

Responden Variabel Variabel Variabel Variabel

Variabel-variabel residu 1, 2, ..., n diasumsikan semuanya

Jika b0, b1 dan b2 masing-masing adalah estimator

o Ketika menguji H0 : 1 = 0 maka 0 dan 2 berada di dalam model,

– Ho : koefisien korelasi parsiil antara y dan X2

o Hubungan Kemampuan Numerik,

Karena nilai Sig. = 0.004 < 0,05 maka H0 ditolak

Anda mungkin juga menyukai