ANAILSIS REGRESI LINEAR

BERGANDA DAN UJI ASUMSI

KLASIK

PERTEMUAN 5
 TUJUAN INSTRUKSIONAL KHUSUS

Setelah mempelajari pokok bahasan ini, mahasiswa

diharapkan mampu:
Menjelaskan Regresi linier berganda dan uji
asumsi klasik
 ANALISIS REGRESI BERGANDA

Dalam kasus nyata, sering diinginkan

persamaan regresi yang akan
digunakan untuk mengestimasi suatu
variabel yang melibatkan lebih dari dua
variabel independen
 REGRESI LINIER BERGANDA (MULTIPLE
LINIEAR REGRESSION)
 Regresi digunakan untuk melakukan pengujian
hubungan antara sebuah variabel dependent (terikat)
dengan satu atau beberapa variabel independent (bebas)
yang ditampilkan dalam bentuk persamaan regresi.
 Jika variabel dependent dihubungkan dengan satu
variabel independent saja, persamaaan regresi yang
dihasilkan adalah regresi linier sederhana (liniear
regression).
 Jika variabel independent-nya lebih dari satu (X1, X2,
X3, …. Xi), maka persamaan regresinya adalah
persamaan regresi linier berganda (liniear regression).
 PERSAMAAN REGRESI
 Persamaan regresi yang melibatkan lebih dari dua
variabel independen akan sulit ditentukan dengan
menggunakan cara manual.
 Untuk mengetahui atau menaksir nilai variabel dependen,
perlu diketahui:
1. Koefisien regresi (uji parsial) {uji hipotesis}

2. Persentase pengaruh semua variabel independen secara

bersama-sama thd nilai variabel dependen {R square}
3. Pengaruh semua variabel independen secara bersama-sama
thd nilai variabel dependen (uji simultan) {uji F}
 Rumus

Y = a + bX1 + cX2 + ..... + kXi + 

Dimana, Y = variabel terikat (dependent)

X = variabel bebas
(independent)
a = nilai konstanta
b, c, .. = koefisien arah regresi
(dugaan koefisien regresi)
 = kesalahan pengganggu
 KASUS
Tingkat Profitabilitas, Leverage, dan Pembayaran Dividen
Tunai PT. Telekomunikasi Indonesia Tbk.
Tahun 2010 sampai dengan 2015.

ROI DER Pembayaran dividen

Tahun (%) (%) Tunai (dalam jutaan
rupiah)
2010 10.000 110 1.000.000
2011 20.000 120 1.500.000
2012 25.000 122 2.000.000
2013 30.000 130 3.500.000
2014 40.000 140 4.000.000
2015 50.000 150 5.000.000
 UJI PERSAMAAN REGRESI

Tahun Roi X1 Der X2 Y Yi.Xi Persamaa regresi

2010 10000 110 1500000 1510110 175000.9933

2011 20000 120 2500000 2520120 0.992016253
2012 25000 122 3300000 3325122 0.992444788
2013 30000 130 3500000 3530130 0.991464904
2014 40000 140 4400000 4440140 0.990959745
2015 50000 150 5500000 5550150 0.990964208
Jumlah 2070000
175000 772 0 20875772 175005.9512
 REGRESI NONLINIER BERGANDA (MULTIPLE
NONLINIEAR REGRESSION).
 Selain model regresi linier juga terdapat model non linier
yang berupa transformasi logaritma. Model linier dan
nonlinier ini dibuat untuk dibandingkan yang selanjutnya
dipilih dari kedua model tersebut yang lolos uji.model
transformasi logaritma adalah model dengan fungsi non linier
yang ditransformasikan ke bentuk logaritma normal menjadi
linier.
 Ditransformasikan ke bentuk normal
Y = e0 x X11 x X22 x … x Xkk
Ditransformas
ikan ke
bentuk
normal

Y = 0 + 1 lnX1 + 2 lnX2 + … + k lnXk

LANJUTAN..
 Dalam analisis regresi terdapat tiga ukuran yang akan dicari :
1. Garis regresi, yaitu garis yang menyatakan dan menggambarkan
karakteristik hubungan antara variabel-variabel dalam penelitian
2. Standar error of estimate, yaitu hanya mengukur pemencaran tiap-
tiap titik (data) terhadap garis regresinya atau merupakan
penyimpangan standar dari harga-harga variabel pengaruh (Y)
terhadap garis regresinya.
3. Koefisien korelasi (r) yaitu angka yang menyatakan eratnya
hubungan antara variabel-variabel tersebut.

 Dalam analisis regresi terdapat beberapa ukuran yang akan dicari

yaitu:
 Garis regresi, yaitu garis yang menyatakan dam menggambarkan
karakteristik hubungan antara variabel-variabel dalam penelitian
 Standard error of estimate, yaitu hanya mengukur pemencaran tiap-
tiap titik (data) terhadap garis regresinya atau merupakan
penyimpangan standar dari harga-harga variabel pengaruh (Y)
terhadap garis regresinya
 ANALISIS ANALISIS KORELASI DAN
INTERKORELASI
 Analisis korelasi untuk persamaan regresi berganda digunakan
untuk mengukur kekuatan hubungan antara dua variabel, yaitu
variabel tidak bebas dengan variabel bebas, dengan menggunakan
koefisien korelasi Pearson
 Derajat korelasi hubungan dua variabel dapat dicari dengan
menggunakan koefisien korelasi Pearson yang rumusnya sebagai
berikut :

r
X Y i i

( X )( Y
2 2
i i )
xi = Xi – X
yi = Yi – Y
Dimana : r = koefisien korelasi yang dicari
Y = Nilai rata – rata variabel Y
X = Nilai rata – rata variabel X
LANJUTAN…
 Pengujian hipotesis atau model mengenai korelasi adalah sebagai berikut:
 r = 0, maka tidak ada hubungan antara dua variabel tersebut
 r > 0, maka ada hubungan positif
 r < 0, maka ada hubungan negatif
 Jika sampel kurang dari 100, maka angka korelasi terkecil yang dapat
dipertimbangkan adalah  0,30.
 Berikut ini adalah tabel besaran hubungan korelasi Pearson :

No. r (Koefisien korelasi) Ukuran tingkat hubungan

1 0,0 < r < 0,2 Sangat rendah
2 0,2 < r < 0,4 rendah
3 0,4 < r < 0,6 Sedang
4 0,6 < r < 0,8 Kuat
5 0,8 < r < 1,0 Sangat kuat
LANJUTAN…
 Analisis interkorelasi dilakukan untuk mengetahui besarnya
hubungan interkorelasi antara variabel bebas yang satu terhadap
variabel bebas yang lain. Hal ini dimaksudkan apabila antara
variabel-variabel bebas tersebut memiliki interkorelasi yang
cukup berarti maka akan mengganggu kestabilan model
(dianggap masing-masing variabel bebas tidak ada interkorelasi)
 Jika dalam matriks interkorelasi terlihat bahwa nilai koefisien
“r” antar variabel bebas mempunyai nilai yang sangat berarti (r
> 0,4) maka akan berpotensi mengganggu model, sehingga perlu
dilakukan analisis lebih lanjut dari vAriabel-variabel tersebut.
 UJI ASUMSI KLASIK
Uji Normalitas Uji Heteroskedastisitas

Uji Multikolineritas

Coefficients a
Collinearity Statistics    

Model Tolerance VIF         

1 (Constant)            
Prifitabilitas (X1) .819 1.220        

Leverage (X2) .819 1.220        

a. Dependent Variable: Dividen Tunai (Y)

Uji Autokorelasi

Model Durbin-Watson
1 1.242
 Korelasi Secara Partial
 1
 
  Dividen Tunai (Y) Prifitabilitas (X1) Leverage (X2)
Pearson Correlation Dividen Tunai (Y) 1.000 .207 .261
Prifitabilitas (X1) .207 1.000 -.425
Leverage (X2) .261 -.425 1.000
Sig. (1-tailed) Dividen Tunai (Y) . .328 .286
Prifitabilitas (X1) .328 . .171
Leverage (X2) .286 .171 .
N Dividen Tunai (Y) 7 7 7
Prifitabilitas (X1) 7 7 7
Leverage (X2) 7 7 7

Korelasi dan koefisien determinasi secara

simultan
 

Adjusted R Std. Error of the

Model R R Square Square Estimate  
1 .437 a .191 .213 3.376488  
 Koefisien Regresi Linier Berganda

Unstandardized Standardized t
 
Coefficients Coefficients Sig.
Zeror-
Model B Std. Error Beta order partial  
1 (Constant) - 11386589. -.135 .899
1539503 272    
.642
Prifitabilitas 6597.90 8457.634 .388 .780 .479
0  
(X1)
Leverage (X2) 266.821 311.489 .426 .857 .440  


Daerah Penolakan H0
Daerah Penerimaan H0

F hitung = 0,473 FtabelF=tabel

4,737 =6,654 7,310
(α= 0,05 ; db1 =2; db2 = 7)

Kurva Uji Hipotesis Simultan X1 dan X2 terhadap Y

 HASIL UJI HIPOTESIS PARSIAL (UJI T) X1
DAN X2


Unstandardized
Standardized
Coefficients Coefficients
Sig.

Model B Std. Error Beta t partial

2 (Constant) -1539503.642 11386589.272   -.135 .899
Prifitabilitas (X1) 6597.900 8457.634 .388 .780 .479
Leverage (X2) 266.821 311.489 .426 .857 .440

Daerah Daerah
penolakan Ho penolakan Ho Daerah Daerah
penolaka penolaka
n Ho n Ho

Daerah Penerimaan
H0 Daerah
Penerimaan H0

t tabel= -2, 0 t tabel = 2,776

t hitung = -2,,780 t tabel= -2,776 0 t tabel =

2,776
t hitung = -3,857
 Y = 15 .39503+ X1 + X2
 Sb

 t.test

 R square =

 F.ratio =
SEKIAN