PENGOLAHAN DATA REGRESI LINIER

DENGAN SPSS

IR.RUSLI BURHANSYAH, M.Si

PROGRAM PRAKTISI MENGAJAR ANGKATAN 2-2023

MATA KULIAH EKONOMI PRODUKSI PERTANIAN
PROGRAM AGRIBISNIS-FAKULTAS PERTANIAN
UNIVERSITAS YUDHARTA PASURUAN
 Regresi Linier Berganda yang akan disimulasikan pada PELATIHAN
menggunakan pendekatan
Ordinary Least Squares (OLS).
Penjelasan akan dibagi menjadi 4 (empat) tahapan, yaitu:
1)Persiapan Data (Tabulasi Data)
2)Estimasi Model Regresi Linier (Berganda)
3)Pengujian Asumsi Klasik
4)Uji Kelayakan Model (Goodness of Fit Model)
5)Intepretasi Model Regresi Linier (Berganda)
Persiapan data dimaksudkan untuk melakukan input data ke dalam software SPSS. Setelah data di-
input kedalam software SPSS, maka langkah selanjutnya adalah melakukan estimasi (pendugaan)
model (persamaan) regresi linier, baru dilanjutkan dengan pengujian asumsi klasik.

Pengujian asumsi klasik dilakukan setelah model regresi diestimasi, bukan sebelum model diestimasi.
Tidak mungkin pengujian asumsi klasik dilakukan sebelum model regresi diestimasi, karena
pengujian asumsi klasik yang meliputi normalitas, heteroskedastisitas dan autokorelasi membutuhkan
data residual model yang didapat setelah model terbentuk. Apabila model yang terbentuk tidak
memenuhi asumsi klasik yang disyaratkan, maka dibutuhkan modifikasi/transformasi/ penyembuhan
terhadap data ataupun model regresi.

Pada bagian ini data yang digunakan untuk mengestimasi model regresi linier dengan OLS telah
memenuhi semua asumsi klasik. Tahap terakhir dari bagian ini akan dijelaskan bagaimana melihat
layak tidaknya model dan menginterpretasikan model yang terbentuk. Berikut rincian tahap-tahap
yang dilakukan dalam regresi linier berganda:
Copy file
dari excel
ke spps
 Model Summaryb
Change Statistics
Adjusted Std. Error of R Square F Sig. F Durbin-
Model R R Square R Square the Estimate Change Change df1 df2 Change Watson
1 .764a .584 .562 .330402072 .584 26.428 6 113 .000 1.575
a. Predictors: (Constant), Tenaga Kerja, L_lahan, NPK, Urea, Pestisida, Benih
b. Dependent Variable: Produksi
Coefficientsa
Standar
dized
Unstandardized Coeffici 95,0% Confidence Collinearity
Coefficients ents t Sig. Interval for B Correlations Statistics
Std. Lower Upper Zero- Toleranc
Model B Error Beta Bound Bound order Partial Part e VIF
1 (Constant
4.977 .779 6.389 .000 3.433 6.520
)
L_lahan
-.020 .137 -.010 -.144 .886 -.291 .251 -.376 -.014 -.009 .713 1.402
Benih .624 .257 .465 2.433 .017 .116 1.132 .744 .223 .148 .101 9.902
Urea .224 .126 .209 1.770 .079 -.027 .474 .697 .164 .107 .264 3.788
NPK .065 .077 .066 .835 .406 -.089 .218 .518 .078 .051 .587 1.704
Pestisida .263 .156 .230 1.686 .094 -.046 .571 .699 .157 .102 .198 5.057
Tenaga
Kerja -.245 .277 -.156 -.884 .379 -.794 .304 .682 -.083 -.054 .117 8.515
a. Dependent Variable: Produksi
UJI NORMALITAS
 Cara yang sering digunakan dalam menentukan apakah suatu model
berdistribusi normal atau tidak hanya dengan melihat pada histogram
residual apakah memiliki bentuk seperti “lonceng” atau tidak. Cara ini
menjadi fatal karena pengambilan keputusan data berdistribusi normal
atau tidak hanya berpatok pada pengamatan gambar saja. Ada cara lain
untuk menentukan data berdistribusi normal atau tidak dengan
menggunakan rasio skewness dan rasio kurtosis.
 Rasio skewness dan rasio kurtosis dapat dijadikan petunjuk apakah
suatu data berdistribusi normal atau tidak. Rasio skewness adalah nilai
skewnes dibagi dengan standard error skewness; sedang rasio kurtosis
adalah nilai kurtosis dibagi dengan standard error kurtosis. Sebagai
pedoman, bila rasio kurtosis dan skewness berada di antara –2 hingga
+2, maka distribusi data adalah normal (Santoso, 2000: 53).
LANGKAH-LANGKAH UJI NORMALITAS DALAM SPSS 22.0
Lakukan regresi untuk data efisiensi poduksi padi
Analyze Regression Linear, akan muncul tampilan sebagai berikut:
 Centang pilihan Unstandardized pada
bagian Residuals, kemudian pilih Continue
dan pada tampilan awal pilih tombol OK, akan
menghasilkan variabel baru bernama
Unstandardized Residual (RES_1).
Selanjutnya Analyze Descriptive Statistics
Descriptives akan muncul tampilan sebagai
berikut.
 Centang pilihan Kurtosis dan Skewness dan
kemudian Continue dan pada tampilan awal pilih OK.

Descriptive Statistics
Std.
Minim Maximu Deviati
N um m Mean on Skewness Kurtosis
St
d.
Er
Statisti Statisti Statisti Statisti ro Statisti Std.
c c Statistic Statistic c c r c Error
Unstandardiz -.8098 .000000 .32196 .2
120 .86080 -.852 .876 .438
ed Residual 2 0 488 21
Valid N
(listwise) 120

Ratio skewness= -0,852/0,221 = -3,741

Ratio kurtosis = 0,876/0,438 = 2.
Karena ratio skewness di antara -3,741 hingga 2, maka
disimpulkan bahwa distribusi data adalah normal
UJI AUTOKORELASI
Ada beberapa cara yang dapat digunakan untuk mendeteksi ada tidaknya autokorelasi. Pertama, Uji
Durbin-Watson (DW Test). Uji ini hanya digunakan untuk autokorelasi tingkat satu (first order
autocorrelation) dan mensyaratkan adanya intercept dalam model regresi dan tidak ada variabel lag di
antara variabel penjelas. Hipotesis yang diuji adalah:
Ho: p = 0 (baca: hipotesis nolnya adalah tidak ada autokorelasi)
Ha: p ≠ 0 (baca: hipotesis alternatifnya adalah ada autokorelasi

 Bila nilai DW berada di antara d U sampai dengan 4 - dU maka koefisien autokorelasi sama dengan nol. Artinya,
tidak ada autokorelasi.
 Bila nilai DW lebih kecil daripada dL, koefisien autokorelasi lebih besar daripada nol. Artinya ada autokorelasi

positif.
 Bila nilai DW terletak di antara dL dan dU, maka tidak dapat disimpulkan.

 L
Bila nilai DW lebih besar daripada 4 - d , koefisien autokorelasi lebih besar daripada nol. Artinya ada
autokorelasi negatif.
 Bila nilai DW terletak di antara 4 – d U L
dan 4- d , maka tidak dapat disimpulkan.
LANGKAH LANGKAH UJI AUTOKERELASI DALAM SPSS 23.0
Lakukan regresi untuk data permintaan ayam di atas seperti pada Uji Normalitas. Setelah itu pilih
Statistics akan muncul tampilan seperti di bawah ini. Kemudian centang pilihan Durbin-Watson
setelah itu pilih tombol Continue dan akhirnya pada tampilan selanjutnya pilih OK.
 Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Estimate Change Statistics Durbin-Watson

R Square Change F Change df1 df2 Sig. F Change

1 .764a .584 .562 .330402072 .584 26.428 6 113 .000 1.575

a. Predictors: (Constant), Tenaga Kerja, L_lahan, NPK, Urea, Pestisida, Benih

b. Dependent Variable: Produksi

L dan dU. Caranya adalah dengan menggunakan derajat kepercayaan 5%, sampel (n)
Langkah selanjutnya adalah menetapkan nilai d

yang kita miliki sebanyak 120 observasi, dan variabel penjelas sebanyak 6 maka dapatkan nilai dL dan dU sebesar 1,5987 dan 1,8082
Maka dapat disimpulkan bahwa model ini memiliki gejala autokorelasi positif.
3.UJI MULTIKOLINIERITAS
Ada banyak cara untuk menentukan apakah suatu model memiliki
gejala Multikolinieritas, pada modul ini hanya diperkenalkan 2 cara, yaitu VIF dan Uji Korelasi.

1. Uji VIF.
Cara ini sangat mudah, hanya melihat apakah nilai VIF untuk masing-masing variabel lebih besar
dari 10 atau tidak. Bila nilai VIF lebih besar dari 10 maka diindikasikan model tersebut memiliki
gejala Multikolinieritas.

LANGKAH-LANGKAH UJI FVIFDALAM SPSS 23.0

Kembali Lakukan regresi untuk data permintaan ayam di atas seperti pada Uji
Normalitas. Setelah itu pilih Statistics kemudian centang pilihan Collinearity Diagnostics
setelah itu pilih tombol Continue dan akhirnya pada tampilan selanjutnya pilih OK.
Hasilnya sebagai berikut.
 Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig. 95,0% Confidence
Interval for B Collinearity Statistics
B Std. Error Beta Lower Bound Upper Bound Tolerance
VIF
1 (Constant) 4.977 .779 6.389 .000 3.433 6.520

L_lahan -.020 .137 -.010 -.144 .886 -.291 .251 .713 1.402

Benih .624 .257 .465 2.433 .017 .116 1.132 .101 9.902

Urea .224 .126 .209 1.770 .079 -.027 .474 .264 3.788

NPK .065 .077 .066 .835 .406 -.089 .218 .587 1.704

Pestisida .263 .156 .230 1.686 .094 -.046 .571 .198 5.057

Tenaga Kerja -.245 .277 -.156 -.884 .379 -.794 .304 .117
8.515
a. Dependent Variable: Produksi

Dapat dilihat bahwa seluruh variabel penjelas memiliki nilai VIF lebih kecil dari 10 maka dapat
disimpulkan bahwa model regresi ini memiliki tidak ada masalah Multikolinieritas
PARTIAL CORRELATION
Cara kedua adalah dengan melihat keeratan hubungan antara dua variabel penjelas atau yang
lebih dikenal dengan istilah korelasi.

LANGKAH-LANGKAH DALAM SPSS 22.0

Analyze Correlate Partial akan muncul tampilan sebagai berikut.
 Correlations
Tenaga
Control Variables L_lahan Benih NPK Pestisida Kerja Urea
Produksi L_lahan Correlation 1.000 -.266 -.168 -.253 -.106 -.252
Significance (2-tailed) . .003 .068 .006 .250 .006
df 0 117 117 117 117 117
Benih Correlation -.266 1.000 .440 .717 .841 .694
Significance (2-tailed) .003 . .000 .000 .000 .000
df 117 0 117 117 117 117
NPK Correlation -.168 .440 1.000 .356 .374 .277
Significance (2-tailed) .068 .000 . .000 .000 .002
df 117 117 0 117 117 117
Pestisida Correlation -.253 .717 .356 1.000 .763 .564
Significance (2-tailed) .006 .000 .000 . .000 .000
df 117 117 117 0 117 117
Tenaga Kerja Correlation -.106 .841 .374 .763 1.000 .624
Significance (2-tailed) .250 .000 .000 .000 . .000
df 117 117 117 117 0 117
Urea Correlation -.252 .694 .277 .564 .624 1.000
Significance (2-tailed) .006 .000 .002 .000 .000 .
df 117 117 117 117 117 0
 Untuk menentukan apakah hubungan antara dua variabel bebas
memiliki masalah multikoliniaritas adalah melihat nilai Significance
(2-tailed), jika nilainya lebih kecil dari 0,05 (α=5%) maka
diindikasikan memiliki gejala Multikolinearitas yang serius.
Dari seluruh nilai Significance (2-tailed) di atas, dapat
disimpulkan seluruh variabel penjelas tidak terbebas dari masalah
Multikolinearitas.
 UJI HETEROSKEDASTISITAS
 Untuk Uji Heteroskedastisitas, seperti halnya uji Normalitas, cara yang sering digunakan dalam
menentukan apakah suatu model terbebas dari masalah heteroskedastisitas atau tidak hanya
dengan melihat pada Scatter Plot dan dilihat apakah residual memiliki pola tertentu atau tidak.
Cara ini menjadi fatal karena pengambilan keputusan apakah suatu model terbebas dari
masalah heteroskedastisitas atau tidak hanya berpatok pada pengamatan gambar saja tidak
dapat dipertanggungjawabkan kebenarannya. Banyak metoda statistik yang dapat digunakan
untuk menentukan apakah suatu model terbebas dari masalah heteroskedastisitas atau tidak,
seperti misalnya Uji White, Uji Park, Uji Glejser, dan lain-lain.
 Modul ini akan memperkenalkan salah satu uji heteroskedastisitas yang mudah yang dapat diaplikasikan
di SPSS, yaitu Uji Glejser.
Uji Glejser secara umum dinotasikan sebagai berikut:

|e| = b1 + b2 X2 + v

|e| = Nilai Absolut dari residual yang dihasilkan dari regresi

X2 model – variabel penjelas
 Bila variabel penjelas secara statistik signifikan mempengaruhi
residual maka dapat dipastikan model ini memiliki masalah
Heteroskedastisitas.
LANGKAH-LANGKAH DALAM SPSS 22.0
Kita sudah memiliki variabel Unstandardized Residual (RES_1) (lihat
lagi langkah-langkah uji Normalitas di atas, . Selanjutnya pilih
Transform Compute Variable, akan muncul tampilan sebagai berikut:
 Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant)
3.753E-15 .779 .000 1.000
L_lahan .000 .137 .000 .000 1.000
Benih .000 .257 .000 .000 1.000
Urea .000 .126 .000 .000 1.000
NPK .000 .077 .000 .000 1.000
Pestisida .000 .156 .000 .000 1.000
Tenaga Kerja .000 .277 .000 .000 1.000
a. Dependent Variable: abresid

Nilai t-statistik dari seluruh variabel pejelas tidak ada yang signifikan secara statistik,
sehingga dapat disimpulkan bahwa model ini tidak mengalami masalah heteroskedastisitas