ANALISIS REGRESI

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.

Tujuan Analisis Regresi Berganda

Pendahuluan
Tujuan Analisis Regresi Berganda adalah:
1. Mengetahui seberapa besar pengaruh beberapa variabel bebas terhadap
variabel tidak bebas
2. Meramalkan nilai variabel dependent apabila seluruh variabel
independent sudah diketahui nilainya.
 Langkah-langkah dalam Analisis Regresi Berganda
1. Menentukan variabel dependent dan variabel independent
2. Melakukan uji linearitas karena model yang digunakan
merupakan model regresi linier
3. Membangun model dan menyeleksi variabel independen yang
signifikan dalam model
Metodologi
4. Melakukan pemeriksaan diagnostik atau biasa disebut uji asumsi
klasik (dari metode OLS) yakni memeriksa asumsi
homoskedastisitas (variansi galat yang bersifat konstan), tidak
adanya autokorelasi dari galat, tidak adanya multikolinearitas
antar variabel independen dan uji normalitas residual.
 Y = α + β1 X2 + β2 X2 + βn Xn + e

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

Uji Normalitas normalitas.

b. Jika data menyebar jauh dari garis diagonal dan atau tidak
mengikuti arah garis diagonal atau grafik histogram tidak
menunjukkan pola distribusi normal, maka model regresi tidak
memenuhi asumsi normalitas
 Skala data semua variable terutama variable dependent adalah interval
atau rasio.
Asumsi ini tidak perlu diuji, cukup anda pastikan bahwa data yang
digunakan adalah data interval atau rasio (numeric atau kuantitatif).

Data Interval
atau rasio
Data Interval
atau rasio
 Linearitas

Ada hubungan linear antara variable bebas dengan variable terikat.

Asumsi linearitas diuji dengan uji linearitas regresi, misalnya dengan
kurva estimasi.

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.

LANGKAH- Uji Asumsi dalam Analisis Regresi Berganda

Uji Asumsi dalam Analisis Regresi Berganda dibahas pada bagian
Interpretasi Hasil, yang meliputi contoh penerapan analisis regresi berganda
LANGKAH
dan penyelesaian masalah-masalah terkait.
 Koefisien Regresi dan Signifikansi
Koefisien regresi dan signifikansi adalah bagian dari interpretasi hasil dalam
materi analisis regresi berganda, yang menjelaskan tentang hubungan antara
variabel independen dengan variabel dependen serta pentingnya hubungan
tersebut dalam konteks analisis masalah.

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.

Uji Asumsi dalam Analisis Regresi Berganda

Uji Asumsi dalam Analisis Regresi Berganda dibahas pada bagian
Interpretasi Hasil, yang meliputi contoh penerapan analisis regresi berganda
dan penyelesaian masalah-masalah terkait.
 Multikolinieritas
Multikolinieritas adalah fenomena di mana terdapat korelasi kuat antara dua atau
lebih variabel independen dalam analisis regresi berganda, yang dapat
menyebabkan masalah interpretasi dan kesalahan dalam mengestimasi pengaruh
masing-masing variabel tersebut terhadap variabel dependen.

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

Penerapan dalam Penelitian atau Bisnis

Dalam kesimpulan, penerapan analisis regresi berganda dalam
penelitian atau bisnis memiliki manfaat yang signifikan untuk
memahami contoh-contoh materi dan menganalisis masalah-
masalah terkait dengan metode ini.
 Judul : "Pengaruh Tingkat Pendidikan, Pengalaman Kerja, dan Usia Terhadap Gaji
Karyawan"

Deskripsi Penelitian: Penelitian ini bertujuan untuk mengidentifikasi hubungan

antara tingkat pendidikan, pengalaman kerja, dan usia terhadap gaji karyawan di
sebuah perusahaan.
Contoh
Variabel Penelitian:

Penelitian •
•
Variabel Dependan (Terikat): Gaji Karyawan
Variabel Independen (Bebas):
• Tingkat Pendidikan
• Pengalaman Kerja
dan Analisis • Usia Karyawan

Analisis Regresi Berganda:

Masalah Penelitian ini akan menggunakan analisis regresi berganda untuk mengidentifikasi
sejauh mana tingkat pendidikan, pengalaman kerja, dan usia karyawan dapat
memprediksi gaji mereka. Hasil analisis ini akan memberikan koefisien regresi
untuk masing-masing variabel independen dan memungkinkan untuk memahami
kontribusi relatif dari setiap variabel dalam menjelaskan variasi gaji.
 Masalah yang Mungkin Muncul:
Multikolinearitas: Salah satu masalah yang umum dalam analisis regresi berganda
adalah multikolinearitas, yaitu ketika dua atau lebih variabel independen memiliki
korelasi tinggi satu sama lain. Hal ini dapat membuat sulit untuk menentukan
pengaruh individu dari setiap variabel terhadap variabel dependen.

Contoh Heteroskedastisitas: Heteroskedastisitas terjadi ketika variabilitas dari kesalahan dalam model
tidak konstan sepanjang rentang nilai variabel independen. Ini dapat mempengaruhi validitas

Penelitian hasil regresi dan mengakibatkan kesalahan dalam estimasi koefisien.

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.

Endogenitas: Endogenitas terjadi ketika variabel independen tidak eksogen

Contoh (tidak independen) dan terpengaruh oleh variabel dependen. Hal ini dapat
menyebabkan bias dalam estimasi koefisien.

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.