LINEAR BERGANDA
1. Nurhamidah Nasution 2202012013
2. Retno Sari 2202012014
3. Rohmatul Hijriyah Nurhayati 2202012015
4. Sharon Christin Sinaga 2202012016
5. Siti Arena Siregar 2202012017
6. Siti Tuahna Pertiwi Hasibuan 2202012018
Daftar Isi :
1. Pendahuluan
2. Metodologi
3. Interpretasi Hasil
4. Analisis Masalah
5. Kesimpulan
Definisi Analisis Regresi Berganda
Definisi Analisis Regresi Berganda adalah metode statistik yang digunakan
untuk mengukur hubungan antara dua atau lebih variabel independent dengan
satu variabel dependent dalam rangka memprediksi nilai variabel dependent
berdasarkan nilai-nilai variabel independennya.
Keterangan:
Y = Variabel Dependent(variabel terikat /variable
RUMUS response).
X = Variabel Independent (variabel bebas atau variable
predictor)
α = Konstanta.
β = Slope atau Koefisien estimate.
Sebelum dilakukan multiple regresion analyze method,
Data dilakukan uji asumsi klasik, agar data tersebut bersifat BLUE
(Best, Linear, Unbiased and Estimator)
Asumsi klasik pada regresi linear berganda antara lain:
1. Data interval atau rasio
2. Linearitas
METODE
3. Normalitas pada residual, non outlier atau tanpa adanya data
PENELITIAN
pencilan (data extreme),
4. Homoskedastisitas (Non Heteroskedastisitas)
5. Non multikolinearitas
6. Non autokorelasi
Berikut adalah pemaparan dan hasil pengujian asumsi klasik :
Uji Normalitas Menurut Imam Ghozali (2009)
• Tujuan uji normalitas adalah untuk menguji apakah dalam model
regresi,variabel terikat (dependent variable) dan variabel bebas
(independent variable) keduanya memiliki distribusi normal atau
UJI tidak.
NORMALITAS • Model regresi yang memiliki distribusi data yang normal atau
mendekati normal dikatakan model regresi yang baik.
Pada prinsipnya dasar pengambilan keputusan normalitas sebagai
berikut:
a. Jika data menyebar disekitar garis diagonal dan mengikuti arah
garis diagonal atau grafik histogramnya menunjukkan pola
distribusi normal, maka model regresi memenuhi asumsi
Data Interval
atau rasio
Data Interval
atau rasio
Linearitas
Linearitas
.
Koefisien Determinasi
Koefisien Determinasi adalah ukuran sejauh mana variabilitas variabel
METODOLOG dependen dapat dijelaskan oleh variabel independen dalam analisis regresi
berganda, dengan interpretasi hasilnya memberikan informasi tentang tingkat
keakuratan dan pengaruh signifikan dari model regresi serta kemungkinan
I: adanya masalah seperti multikolinearitas atau heteroskedastisitas.
Koefisien Determinasi
Koefisien Determinasi adalah ukuran sejauh mana variabilitas variabel
Interpretasi dependen dapat dijelaskan oleh variabel independen dalam analisis regresi
berganda, dengan interpretasi hasilnya memberikan informasi tentang tingkat
keakuratan dan pengaruh signifikan dari model regresi serta kemungkinan
Hasil adanya masalah seperti multikolinearitas atau heteroskedastisitas.
Heteroskedastisitas
Analisis Heteroskedastisitas mengacu pada adanya perbedaan varians yang
tidak seimbang dalam kesalahan analisis regresi berganda,
Masalah menciptakan tantangan dalam mengestimasi koefisien dengan
akurat dan membuat inferensi statistik yang dapat diandalkan.
Autokorelasi
Autokorelasi dalam bagian Analisis Masalah untuk topik analisis
regresi berganda mencakup pemahaman contoh dan analisis
masalah terkaitnya.
Ringkasan Materi Analisis Regresi Berganda
Dalam kesimpulan, terdapat ringkasan materi analisis regresi
berganda yang meliputi contoh aplikasinya dan analisis masalah-
masalah yang mungkin timbul dalam metode ini.
Kesimpulan
Penelitian •
•
Variabel Dependan (Terikat): Gaji Karyawan
Variabel Independen (Bebas):
• Tingkat Pendidikan
• Pengalaman Kerja
dan Analisis • Usia Karyawan
Contoh Heteroskedastisitas: Heteroskedastisitas terjadi ketika variabilitas dari kesalahan dalam model
tidak konstan sepanjang rentang nilai variabel independen. Ini dapat mempengaruhi validitas
Pemilihan Variabel Independen yang Salah: Memilih variabel independen yang tidak relevan
atau tidak memiliki hubungan kausal dengan variabel dependen dapat menghasilkan model
dan Analisis regresi yang tidak bermakna.
Masalah Data Outlier: Outlier dalam data dapat memiliki pengaruh besar pada hasil analisis
regresi. Penting untuk mengidentifikasi dan mengatasi outlier dengan benar.
Data Tidak Normal: Analisis regresi biasanya mengasumsikan distribusi normal untuk
kesalahan. Jika data tidak memenuhi asumsi ini, hasil regresi mungkin tidak valid.
Overfitting atau Underfitting: Model regresi yang terlalu kompleks
(overfitting) atau terlalu sederhana (underfitting) dapat menghasilkan hasil
yang tidak dapat diandalkan. Pemilihan model yang tepat sangat penting.
Penelitian
dan Analisis
Untuk mengatasi masalah-masalah ini, penelitian yang baik harus
memperhatikan metodologi yang tepat, pengumpulan data yang cermat, dan
Masalah analisis statistik yang hati-hati. Selain itu, penerapan teknik seperti analisis
residual dan uji asumsi regresi juga dapat membantu mengidentifikasi dan
mengatasi masalah yang muncul dalam analisis regresi berganda.