Multi Regression

ANALISIS REGRESI
BERGANDA
Kelompok 3
Saskia Kurniati K012202044
Iis Mirani K012202055
Nurjannah K012202069
Dewi Yuliani K012211043
 REGRESI LINIER

Variabel pertama disebut juga variable

Analisis regresi sebagai kajian
dependen dan variable kedua disebut
terhadap hubungan satu variable
juga sebagai variable independent. Jika
yang disebut sebagai variable yang
variable independent hanya satu
diterangkan (the explained variable)
disebut regresi linier sederhana, jika
dengan satu atau dua variable yang
varibel independen lebih dari satu,
menerangkan (the explanatory).
maka disebut regresi linier berganda

Kegunaan analisis regresi adalah untuk

membuat ramalan tentang nilai dari
Analisis regresi berganda bertujuan
variable dependen, jika setiap nilai dari
untuk mengetahui ada atau tidaknya
varibel independent diketahui. Analisis
pengaruh dua atau lebih variabel
regresi juga digunakan untuk
bebas (X) terhadap variabel terikat
mengetahui besarnya pengaruh satu
(Y)
varibel independent atau lebih terhadap
satu variable dependen.
Asumsi Linier
Model regresi linier dapat disebut model yang baik jika model tersebut memenuhi kriteria
BLUE (Best Linear Unbiased Estimator). BLUE dapat dicapai jika memenuhi asumsi:
a. Terdapat hubungan linier antara variable independent dan variable dependen
b. Residu berdistribusi normal
c. Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi yang sangat
tinggi atau sangat rendah antar variable independent.
d. Tidak terjadi autokorelasi antara residu
e. Varians residu konstan (homoskedasitas).
 Contoh Kasus Regresi Linear Berganda
Peneliti ingin mengetahui pengaruh umur, berat badan dan lama berolahraga setiap hari terhadap kadar kolesterol. Untuk
membuktikan diambil sampel orang secara random, data dapat dilihat pada tabel berikut:
Berat Lama Berat Lama
Umur Colesterol Colesterol
Sampel Badan Olahraga Sampel Umur (X1) Badan Olahraga
(X1) (Y) (Y)
(X2) (X3) (X2) (X3)
1 52 57 25 299 14 49 54 45 273
2 53 57 30 293 15 49 54 45 273
3 42 57 30 293 16 49 56 55 267
4 46 58 35 281 17 49 53 45 267
5 46 58 35 281 18 50 55 50 267
6 47 58 35 281 19 50 55 50 267
7 47 59 40 278 20 50 56 55 267
8 47 59 40 278 21 50 56 55 267
9 48 50 40 278 22 51 55 50 267
10 48 52 40 278 23 51 56 60 260
11 48 55 50 273 23 51 56 60 260
12 48 53 45 273 25 52 57 65 256
13 49 54 45 273
Langkah – Langkah untuk menentukan uji statistic kasus diatas adalah
sebagai berikut:
• Identifikasi tujuan penelitian : melihat pengaruh
• Identifikasi skala variable independent umur, lama olahraga dan berat badan: rasio,
karena variable diukur dalam tahun, berat dalam kg dan lama olahraga dalam menit.
• Identifikasi variable dependen kolesterol: interval, karena kolesterol diukur dalam
mg/dL
• Identifikasi jumlah variable independent: tiga variabel independen, yaitu umur, berat
badan dan lama olahraga
• Kesimpulan: karena kasus mempunyai tujuan untuk melihat pengaruh, skala variable
independent rasio, skala variable dependen interval dan jumlah variabel independent
lebh dari satu, maka uji statistik yang sesuai adalah regresi linier berganda.
PENYELESAIAN KASUS DENGAN SPSS
Langkah 1 : uji asumsi
a. Uji asumsi linieritas
Uji linieritas adalah untuk mengetahui apakah antara variable independen dengan variable terikat ada
hubungan linier. Uji linieritas akan dilakukan dengan program SPSS dengan Langkah-Langkah sebagai
berikut:

 
ANOVA Table

  Sum of Squares df Mean Square F Sig.

Colesterol (Y) * Between Groups (Combined) 1590.633 8 198.829 3.085 .026
Umur (X1) Linearity 338.842 1 338.842 5.257 .036
Deviation from 1251.791 7 178.827 2.774 .043
Linearity
Within Groups 1031.367 16 64.460    
Total 2622.000 24      
Langkah 1 : uji asumsi
Output pada tabel ANOVA diperoleh nilai p untuk Linearity p = 0,036 < 0,05, maka dapat
disimpulkan : Ada hubungan linier antara variable umur, berat dan olahraga dengan kolesterol.
b. Uji asumsi Normalitas
Uji normalitas pada regresi linier adalah untuk mengetahui apakah residual dalam model terdistribusi
normal. Uji asumsi normalitas menggunakan program SPSS sebagai berikut:

One-Sample Kolmogorov-Smirnov Test

Unstandardized Output pada tabel One-Sample Kolmogorov-
  Residual
Smirnov Test diperoleh nilai p untuk uji
N 25
Normal Parametersa,b Mean .0000000 Kolmogorov-Smirnov = 0,984 > 0,05, maka
Std. Deviation 2.72805789
dapat disimpulkan: residu terdistribusi normal.
Most Extreme Differences Absolute .092
Positive .092
Negative -.080
Test Statistic .092
Asymp. Sig. (2-tailed) .200c,d
c. Uji asumsi Multikolinieritas
Uji VIF sangat mudah yaitu hanya melihat apakah nilai VIF untuk masing-masing variable lebih besar dari
10 atau tidak. Jika nilai VIF lebih besar dari 10, maka diindikasikan bahwa model tersebut memiliki gejala
Multikolinieritas. Uji
Coefficientsa

Standardized Collinearity
Unstandardized Coefficients Coefficients t Sig. Statistics
Model B Std. Error Beta     Tolerance VIF
1 (Constant) 284.581 20.912   13.609 .000    
Umur (X1) .338 .282 .076 1.199 .244 .808 1.238
Berat Badan (X2) .327 .275 .069 1.188 .248 .968 1.033

Lama Olahraga -1.006 .065 -.982 -15.418 .000 .799 1.251

(X3)
a. Dependent Variable: Colesterol (Y)

Output pada tabel Coefficients menunjukkan bahwa variable umur, berat dan olahraga memberikan semua
nilai VIF dibawah 10 atau nilai Tolerance di atas 0,1. Berarti tidak terdapat gejala multikolinearitas pada
model dalam penelitian ini.
d. Uji asumsi autokorelasi
Uji autokorelasi adalah pengujian asumsi redidual yang memiliki korelasi pada periode ke-t dengan
periode sebelumnya (t-1). Statistik uji yang sering digunakan adalah Durbin-Watson (DW Test). Uji
asumsi autokorelasi dilakukan dengan Langkah sebagai berikut:
Model Summaryb

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

1 .965a
.932 .922 2.916 1.692
a. Predictors: (Constant), Lama Olahraga (X3), Berat Badan (X2), Umur (X1)
b. Dependent Variable: Colesterol (Y)

Output pada tabel Model Summary menunjukkan bahwa dari kasus di atas diperoleh nilai d = 1,692 dan
nilai batas atas pada tabel Durbin-Watson untuk k=3, n=25 dan alpha = 0,05 = 1,654, maka nilai d > dU
artinya model bebas dari gejala autokorelasi.
d. Uji asumsi homoskedastisitas
Uji ini dipergunakan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari
residual satu pengamatan ke pengamatan lainnya. Uji asumsi homoskesdastisitas dengan program SPSS
adalah sebagai berikut

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 6.752 11.411   .592 .560    
Umur (X1) -.182 .154 -.257 -1.182 .251 .808 1.238
Berat Badan (X2) .104 .150 .138 .695 .495 .968 1.033
Lama Olahraga -.035 .036 -.213 -.972 .342 .799 1.251
(X3)
a. Dependent Variable: Abresid

Output pada tabel Coefficients diperoleh p untuk variable umur, berat badan dan lama olahraga semua
> 0,05. Ini dapat disimpulkan model bebas dari masalah heteroskesdastisitas.
Langkah 2: Hitung koefisien regresi dan kemaknaannya
Perhitungan koefisien regresi ganda dan kemaknaannya sama dengan regresi linier sederhana dan
diperoleh hasil sebagai berikut:

Model Summaryb
Std. Error of the
Model R R Square Adjusted R Square Estimate
1 .965
a
.932 .922 2.916
a. Predictors: (Constant), Lama Olahraga (X3), Berat Badan (X2), Umur (X1)

b. Dependent Variable: Colesterol (Y)

Output pada tabel Model Summary memberikan nilai Adjusted R Square sebesar 0,922. Nilai ini
menunjukkan bahwa sumbangan atau pengaruh variable umur, berat badan dan lama olahraga terhadap
naik turunnya kolesterol adalah sebesar 92,2%. Sisanya 7,8% disebabkan oleh faktor lain yang tidak
dimasukkan dalam model. Pada tabel ini yang digunakan adalah Adjusted R Square karena regresi
linier berganda
 ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 2443.385 3 814.462 95.757 .000b

Residual 178.615 21 8.505    

Total 2622.000 24      
a. Dependent Variable: Colesterol (Y)

b. Predictors: (Constant), Lama Olahraga (X3), Berat Badan (X2), Umur (X1)

Output pada tabel Anova tampak bahwa nilai F-hitung pada model penelitian adalah sebesar 95,757
dengan nilai p sebesar = 0,000. Karena nilai p = 0,000 lebih kecil dari 0,05, maka dapat disimpulkan
bahwa variable umur, berat badan dan lama olahraga mempunyai pengaruh simultan yang signifikan
terhadap kolesterol. Atau dapat disimpulkan bahwa model yang diperoleh baik (good of fit).
 Coefficients
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 284.581 20.912   13.609 .000
Umur (X1) .338 .282 .076 1.199 .244
Berat Badan (X2) .327 .275 .069 1.188 .248

Lama Olahraga -1.006 .065 -.982 -15.418 .000

(X3)

Output pada tabel Coeffients diperoleh nilai Unstandardized Coefficients (Bo) = 284,581, nilai B1 = 0,338, B2 =
0,327, dan B3 = -1,006. Namun dari ketiga variable independent hanya variable lama olahraga yang mempunyai
nilai p = 0,000 < 0,05. Ini dapat disimpulkan bahwa hanya variable lama olahraga mempunyai pengaruh terhadap
kolesterol. Sehingga model regresi yang diperoleh adalah:
Y = 284,581 – 1,006 X atau Kolesterol = 284,581 – 1,006 (lama olahraga).
Besar pengaruh lama olahraga terhadap kolesterol adalah = -0,982. Dari model ini diperoleh koefisien regresi
bernilai negative artinya semakin lama berolahraga semakin turun kolesterol.
THANK YOU 