Regresi Linear Berganda

PENDAHULUAN

“Analisis yang bertujuan untuk mencari

hubungan atau pengaruh dua atau lebih
variabel bebas terhadap variabel tidak
bebas.”

2
 BENTUK MATEMATIS

Y = a + b1X1 + b2X2 +
…. + bnXn
Kutner, Nachtsheim dan Neter, 2004

Y : Variabel terikat (dependen)

a : konstanta
b : koefisien variabel bebas (independen)
X : Variabel bebas (independen)

3
 TAHAPANNYA...

MASUKKAN DATA
STANDARDISASI DATA
ANALISIS REGRESI
OUTPUT REGRESI
INTEPRETASI HASIL REGRESI

4
 SELANJUTNYA....?

Silahkan buka laptop masing-masing

ya! Yuk learning by doing 

5
 CASES
Kabupaten Pasuruan sebagai salah satu kabupaten di
Jawa Timur yang tengah giat melakukan pembangunan
dalam rangka mendukung berkembangnya iklim investasi
yang kondusif. Hal ini dilakukan dengan tujuan untuk
meningkatkan nilai investasi di Kabupaten Pasuruan dari
tahun sebelumnya. Untuk mewujudkan tujuan tersebut,
Pemkab Pasuruan melaksanakan beberapa agenda yang
sifatnya mendukung berkembangnya investasi baru dan
meningkatkan kualitas iklim investasi di daerah ini.
Sehingga dari tujuan tersebut maka ingin diketahui
pengaruh infrastruktur publik yang terdiri dari jalan,
jembatan, air bersih, terminal, industri, dan infrastruktur
sosial (fasilitas pendidikan dan kesehatan) secara
bersama-sama terhadap peningkatan nilai investasi di
Kabupaten Pasuruan?
6
 LANGKAHNYA

1. Buka file regresi berganda.sav

2. Klik analyze  descriptive statistic  descriptives 
masukkan semua variable  centang save standardized
value as variable  klik OK

3. Selanjutnya melakukan analisis regresi

7
 ANALISA REGRESI
Selanjutnya dilakukan analisa regresi:
1. Klik analyze  regression  linear  masukkan variabel dependen dan
independennya  pilih metode stepwise -> pada kotak “statistic”, pilih part and
partial correlations dan collinearity diagnostic -> continue -> pada kotak “Save”,
pada bagian predicted values dan residual, centak standardized. -> continue -> OK

8
 Berdasarkan hasil analisa dengan
metode ini terdapat 2 model yang
dapat digunakan untuk analisis regresi.
Pada kedua model semua variabel
layak dimasukkan.

Selanjutnya Uji ASUMSI KLASIK....

Uji Autokorelasi
Uji Multikolinearitas
Uji Heteroskedastisitas
Uji Normalitas
9
 Uji AUTOKORELASI

Bebas masalah
autokorelasi

Autokorelasi terjadi bila nilai gangguan dalam periode tertentu

berhubungan dengan nilai gangguan sebelumnya. nilai Durbin Watson
hitung yang mendekati 2 dianggap menunjukkan bahwa model
terbebas dari autokorelasi (Gujarati,2003: 469).

10
 Uji MULTIKOLINEARITAS

Terjadi
multikolinearitas

Multikolinearitas menunjukan adanya hubungan linear diantara

variabel-variabel independen (variabel penjelas). Dalam mencari
nilai multikolinearitas ditunjukkan oleh VIF (varians inflation factor):

VIF > 5 - 10 mengindikasikan bahwa multikolinearitas pasti terjadi

antar variabel bebas

11
 Uji HETEROSKEDASTISITAS

Heteroskedastisitas adalah adanya ketidaksamaan varian dari residual untuk semua

pengamatan pada model regresi. Kriteria pengujian adalah sebagai berikut:
1.      Menentukan Ho dan Ha
Ho : tidak ada gejala heteroskedastisitas
Ha : ada gejala heteroskedastisitas
2.   Ho diterima bila –t tabel < t hitung < t tabel berarti tidak terdapat heteroskedastisitas
dan Ho ditolak bila t hitung > t tabel atau -t hitung < -t tabel yang berarti terdapat
heteroskedastisitas.
Atau
Apabila nilai signifikansi (Sig.) > 0,05 maka tidak terjadi gejala Heteroskedastisitas.

12
 Uji NORMALITAS

Uuji normalitas yaitu dengan melihat penyebaran data pada sumber diagonal
pada grafik Normal P-P Plot of regression standardized residual atau dengan uji
One Sample Kolmogorov Smirnov.

Jika nilai signifikansi (Asymp.Sig 2-tailed) lebih dari 0.1 maka residual
berdistribusi normal
13
Setelah Uji ASUMSI KLASIK, dilakukan
Uji STATISTIK REGRESI....

Uji R-Square
Uji t
Uji F

14
 Uji R-SQUARE

Untuk mengukur kebaikan suatu model (goodness of fit) digunakan

koefisien determinasi (R-SQUARE)
Model Summary menjelaskan mengenai tingkat prosentase pengaruh variabel
independen terhadap variabel dependen (nilai adjusted R square), yang memiliki
range nilai 0-1. Semakin tinggi nilai adjusted R square, maka semakin tinggi
pengaruh independen terhadap variabel dependen.

15
 Uji t

Uji t untuk menguji signifikansi konstanta dan variabel dependent

berdasarkan probabilitas :
1. Jika probabilitas > 0,05 maka tidak ada hubungan antara X dan Y
2. Jika probabilitas < 0,05 maka ada hubungan antara X dan Y
Berdasarkan hasil signifikansinya adalah 0,000 dan 0,047 sehingga model
regresi untuk variabel X terhadap variabel Y.

16
 Uji F

Dari uji ANOVA atau F test dapat diketahui tingkat signifikansi model yang
dihasilkan. Untuk membaca hasil F test didasarkan pada nilai hipotesa:
● Jika sig. > 0,05 maka variabel independen tidak mempengaruhi variabel
dependen
● Jika sig. < 0,05 maka variabel independen mempengaruhi variabel
dependen
Dari data di atas diperoleh informasi bahwa nilai signifikansi model adalah
< 0,05. hal ini berarti bahwa kedua model signifikan atau dapat digunakan
untuk analisa regresi.
17
 OUTPUT dan INTEPRETASI

Y = 1,711x10-15 + 1,493X1 - 0,577X2

Persamaan regresi tersebut memiliki arti :
• Konstanta sebesar 1,711x10-15 menyatakan bahwa jika tidak ada penambahan atau
penurunan fasilitas industri dan jalan, maka jumlah investasi akan sebesar
1,711x10-15
• Koefisien regresi X1 (fasilitas industri) sebesar 1,493 menyatakan bahwa setiap
penambahan jumlah fasilitas industri sebesar 1 satuan (1 unit) akan berpengaruh
pada peningkatan jumlah investasi sebesar 1,493 dengan asumsi jalan tetap
• Koefisien regresi X2 (jalan) sebesar -0,577 menyatakan bahwa setiap
penambahan jumlah jalan sebesar 1 satuan akan berpengaruh pada penurunan
jumlah investasi sebesar 0,577 dengan asumsi fasilitas industri tetap
18
 Susah ya,
Any Question..?

19