P. 1
Analisis Regresi Dengan MS Excel 2007 Dan SPSS 17

Analisis Regresi Dengan MS Excel 2007 Dan SPSS 17

|Views: 1,034|Likes:
Published by bonga80

More info:

Published by: bonga80 on Jan 30, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

06/12/2014

pdf

text

original

REGRESI LINEAR BERGANDA

3.1 Model Regresi Linear Berganda
Pada pokok bahasan sebelumnya kita mengetahui bahwa model regresi linear sederhana memiliki variabel penduga hanya satu, yaitu x. Pada pokok bahasan kali ini kita akan membahas tentang model regresi linear berganda yang memiliki variabel penduga lebih dari satu, yaitu xi sampai dengan xk. Model tersebut dirumuskan dalam persamaan:
ˆ y = β 0 + β 1 x1 + β 2 x 2 + ....... + β k x k y = β 0 + β 1 x1 + β 2 x 2 + ....... + β k x k + ε

Seperti halnya pada model regresi linear sederhana, perhitungan koefisien atau parameter dapat dilakukan menggunakan metode Ordinary Least Square. Nilai β0 dan β1 didapat dengan cara memecahkan sistem persamaan linear OLS:

ˆ X ' X B = X' Y
Di mana:
⎛1 x11 x12 .... x1k ⎞ ⎛β0 ⎞ ⎛ y1 ⎞ ⎟ ⎜ ⎜ ⎟ ⎟ ⎜ ⎜1 x 21 x12 ..... x 2 k ⎟ ⎜ y 2 ⎟ ˆ ⎜ β1 ⎟ X =⎜ ⎟ , Y = ⎜ ...... ⎟ , β = ⎜ . ⎟ ⎜ ........................... ⎟ ⎜ ⎟ ⎟ ⎜ ⎜y ⎟ ⎜1 x x ..... x ⎟ ⎜β ⎟ nk ⎠ ⎝ n ⎠ ⎝ n1 12 ⎝ k⎠

39

n n ⎛ ⎜n x i1 ....... x i1 ⎜ i =1 i =1 ⎜ n n ⎜ n x i1 x i1 2 ...... x i1 x ik ⎜ X' X = ⎜ i =1 i =1 i =1 ⎜ .......... .......... .......... .......... ...... ⎜ n n ⎜ n x ik x ik x i1 ..... x ik 2 ⎜ ⎜ i =1 i =1 ⎝ i =1

∑ ∑

⎞ ⎟ ⎟ ⎟ ⎟ ⎟, ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎠

⎛ n ⎞ ⎜ ⎟ yi ⎜ i =1 ⎟ ⎜ ⎟ ⎜ n ⎟ x i1 y i ⎟ ⎜ X' Y = ⎜ i =1 ⎟ ⎜ ...................⎟ ⎜ ⎟ ⎜ n ⎟ x ik y i ⎟ ⎜ ⎜ ⎟ ⎝ i =1 ⎠

∑ ∑

3.2 Penyelesaian Model Regresi Berganda
Contoh Kasus 3.2 Sebuah penelitian bertujuan untuk mengetahui hubungan antara karakter seorang supervisor dengan kemampuannya dalam melakukan supervisi. Karakter supervisor terdiri atas x1 yaitu kemampuan menghandel komplain dari pekerja dan x2 kesungguhan untuk mempelajari hal yang baru. Sedangkan variabel y adalah nilai total dari kemampuannya dalam melakukan supervisi berdasarkan beberapa aspek yang terkait dengan bidang pekerjaannya. Penilaian terhadap para supervisor dilakukan oleh pekerja yang berada di bawah supervisi mereka di beberapa perusahaan terkemuka yang bergerak dalam bidang finansial. Data hasil penilaian disajikan dalam Tabel 3.1.

40

Tabel 3.1. Data Pengamatan Performance Supervisor

No 1 2 3 4 5 6 7 8 9 10

Y 42 63 71 61 81 43 58 71 72 67

X1 52 64 70 63 78 55 67 75 82 61

X2 39 54 69 47 66 44 56 55 67 47

No 11 12 13 14 15 16 17 18 19 20

Y 64 67 69 68 77 81 74 65 65 50

X1 53 60 62 83 77 90 85 60 70 58

X2 58 39 42 45 72 72 69 75 57 54

No 21 22 23 24 25 26 27 28 29 30

Y 50 64 53 40 63 66 78 48 85 82

X1 40 61 66 37 54 77 75 57 85 82

X2 34 62 50 58 48 63 74 45 71 59

Langkah penyelesaian regresi berganda, meliputi perhitungan nilai koefisien, analisis varian dan uji t, serta perhitungan koefisien determinasi (r-square) dan koefisien korelasi dibahas dalam subsubbab 3.2.1 sampai dengan sub-subbab 3.2.5.

3.2.1 Perhitungan Koefisien Regresi Berganda
Langkah-langkah perhitungan koefisien model regresi berganda adalah sebagai berikut: 1. Susunlah tabel input data dalam MS Excel seperti berikut.

Gambar 3.1. Tampilan Input Pengolahan Regresi Berganda

41

lalu Paste ke Cell H3 sampai dengan Cell H31. lalu Paste ke Cell G3 sampai dengan Cell G31. Pada Cell F2 ketik Formula =C2^2 kemudian Copy Cell F2. lalu Paste ke Cell I3 sampai dengan Cell I31. 4. Pada Cell B32 ketik formula = SUM (B2:B31). kemudian Copy Cell I2. Pada Cell A32 ketik formula =COUNT(A2:A31) 9. Pada Cell I2 ketik formula =B2*D2. kemudian Copy Cell H2. lalu Paste ke Cell C32 sampai dengan Cell J32. 3. Cell C32 = ∑x i =1 n i1 ∑x i =1 n i2 • Nilai pada Cell E32 = dan Cell G32 = ∑ i =1 i2 2 n y i 2 . lalu Paste ke Cell I3 sampai dengan Cell H31. kemudian Copy Cell B32. Cell F32 = ∑x i =1 n i1 2 ∑x i =1 n 42 . lalu Paste ke Cell F3 sampai dengan Cell F1.2. 8. 7. lalu Paste ke Cell E3 sampai dengan Cell E31. 5. 10. Pada Cell E2 ketik formula =B2^2 kemudian Copy Cell E2. Pada Cell H2 ketik formula =B2*C2. 6. Keterangan dari masing-masing nilai: • • Nilai pada Cell A32 = n (jumlah data) Nilai pada Cell B32 = dan Cell D32 = ∑ i =1 n y i . kemudian Copy Cell I2. Pada Cell J2 ketik formula =C2*D2. Pada Cell G2 ketik formula =D2^2 kemudian Copy Cell G2.

2. 43 . Cell I32 = ∑ i =1 n x i2 y i dan Cell J32 = ∑x i =1 n i1 x i2 11. Susun matriks X’Y • • • • • Pada Cell M12 ketik formula =B32 Pada Cell M13 ketik formula =H32 Pada Cell M14 ketik formula =I32 14. Susun matriks X’X • • • • • • • • Pada Cell M3 ketik formula =A32 Pada Cell M4 dan N3 ketik formula =C32 Pada Cell M5 dan O3 ketik formula =D32 Pada Cell N4 ketik formula =F32 Pada Cell N5 dan O4 ketik formula =J32 Pada Cell O5 ketik formula =G32 12. maka akan diperoleh hasil seperti Gambar 3.M12:H14) Tekan tombol bersama-sama ketik formula secara CTRL+SHIFT+ENTER 15. β1 dan β3 Blok Cell M16:M18 lalu =MMULT(M8:O10. Apabila langkah perhitungan dilakukan dengan benar. Hitung inverse dari X’X atau X’X-1 Blok Cell M8:O10 lalu ketik =MINVERSE(M3:O5) Tekan tombol bersama-sama CTRL+SHIFT+ENTER secara 13.• Nilai pada Cell H32 = ∑x i =1 n i1 y i . Hitung nilai β0.

Tampilan Hasil Perhitungan Koefisien Regresi • Berdasarkan hasil perhitungan diketahui bahwa nilai koefisien model regresi berganda pada Contoh Kasus 3. β1=0. Demikian sebaliknya. 44 .4401. indikasi awal ini tidaklah bermakna jika belum diketahui signifikansinya.Gambar 3.4401 + 0. Oleh karena itu perlu dilakukan Uji dengan Anova dan Uji t terhadap model persamaan tersebut. Hal ini berarti bahwa semakin besar nilai x1 atau x2 akan diikuti oleh kenaikan nilai y. semakin kecil nilai x1 atau x2 akan diikuti dengan nilai y yang semakin kecil.2190x 2 • Dari model tersebut diketahui bahwa nilai β1dan β1 bernilai positif yang memberikan indikasi awal.6426x1 + 0.6426 dan β3=0. Sehingga model regresi berganda dapat ditulis dengan persamaan: ˆ y = 9.2190. baik x1 dan x2 memiliki hubungan yang berbanding lurus dengan y.2.2 adalah β0=9. Seperti halnya pada pembahasan regresi linear sederhana.

Klik kanan Cell B2 lalu pilih Paste Special kemudian pilih Paste Link. buatlah worksheet baru.2 Analisis Varian pada Model Regresi Berganda Analisis varian pada model regresi berganda pada dasarnya sama dengan pada model regresi sederhana.3. Copy Cell M3:O5 pada Worksheet koefisien lalu klik Worksheet Anova. Adapun proses analisis varian pada Contoh Kasus 3. Keterangan input tabel • X’X didapat dari hasil perhitungan sebelumnya.3.2.3. Susun tabel input seperti Gambar 3. 45 . kemudian berilah nama Anova. 2. sumbangan Gambar 3.2. Perumusan Hipotesis Ho: Keragaman variabel penduga tidak memberikan sumbangan keragaman pada variabel bergantung ( β 1 dan β 2 = 0) Ha: Keragaman variabel penduga memberikan keragaman pada variabel bergantung ( β 1 dan β 2 ≠ 0) Langkah Perhitungan 1. Tampilan Input Anova Regresi Berganda 3.2 tersebut adalah sebagai berikut. Dengan menggunakan data pada Contoh Kasus 3.

4. ⎛ ⎜ ⎜ yi 2 − ⎝ • • SST = ∑ i =1 n ∑ ⎞ yi ⎟ ⎟ i =1 ⎠ n n 2 Pada Cell B19 ketik formula =B14-B6^2/B2 5. Copy Cell B10 sampai B12. Pada Paste Options pilih Value sedangkan pada Operation Option pilih Transpose. k=3) Pada Cell C17 ketik formula =3-1 • DfE = dft-dfr Pada Cell C18 ketik formula =C19-C18 46 .B6:B8)-B6^2/B2) 6. Hitung nilai Jumlah Kuadrat Error (SSE) • SSE = SST-SSR Pada Cell B18 ketik formula =B19-B17 7. lalu klik kanan Cell E11 lalu pilih Paste Special. Lalu klik OK. x2 dan y. Untuk mengisi nilai B’. Hitung nilai derajat bebas (df) • • DfT = n-1 Pada Cell C19 ketik formula =B2-1 formula DfR= k -1 (k= jumlah variabel penyusun model. yaitu x1. dan ∑y^2.• • Lakukan hal yang sama untuk proses input pada X’Y. B. Hitung nilai Jumlah Kuadrat Regresi (SSR) ⎛ ⎜ ⎜ ˆ SSR = β' X' Y − ⎝ • ∑ ⎞ yi ⎟ ⎟ i =1 ⎠ n n 2 Pada Cell B17 ketik =MMULT(E11:G11. Hitung nilai Jumlah Kuadrat Total (SST).

4. maka akan nampak hasil seperti Gambar 3.dfe) Pada Cell F17 ketik formula =FINV(0. Gambar 3. maka pada tingkat keyakinan 95% dapat dinyatakan bahwa nilai β 1 dan β 2 ≠ 0 .C18) ketik Formula 12.354 dan nilai P(F) atau sig =0. Tampilan Output Anova Regresi Berganda 13.175 sedangkan nilai F tabel =3. Karena nilai F > Ftabel dan Sig <α. Pengambilan Keputusan Hasil analisis varian menunjukkan bahwa nilai F hitung sebesar 32. Dengan demikian.dfr.4.C17. Hitung nilai Kuadrat Tengah (MS) • • MSR = SSR/DfR Pada Cell D17 ketik formula =B17/C17 MSE = SSE/DfE Pada Cell D18 ketik formula =B18/C18 9. Tentukan nilai Sig atau P(F) • Pada Cell G17 =FDIST(E17. Tentukan nilai F tabel • F Tabel = F(α. Hitung nilai F hitung (Fc) • Fc = MSR/MSE Pada Cell E17 ketik formula =D17/D18 10.C17. Jika langkah perhitungan benar. Untuk 47 .05.000. dapat disimpulkan bahwa keragaman variabel penduga memberikan sumbangan terhadap keragaman pada variabel bergantungnya.8.C18) 11.

....... maka dapat ditentukan nilai t untuk masing-masing parameter.. β )...s 2 ( β 0 . . uji t akan memerinci variabel-variabel penduga mana saja yang benar-benar memberikan pengaruh signifikan terhadap variabel bergantung...s 2 ( β 1 ...2.... β k ) ⎞ ⎟ ⎜ ⎜ s 2 (β .3 Uji t Terhadap Koefisien Model Regresi Berganda Seperti halnya pada regresi sederhana...s 2 ( β ) 0 1 k k k ⎠ ⎝ Nilai pada elemen diagonal utama menyatakan nilai ragam/varian...... MSE Setelah matriks ragam-peragam disusun... β 1 ) ... ..... Matriks ragam-peragam ini didapat dengan rumus: ˆ V(β) = (X' X) −1 . yaitu: ⎛ s 2 (β 0 ) s 2 ( β 0 ...... .... β k ) ⎟ 0 1 1 ˆ ⎟ V(β ) = ⎜ ⎜ .. ....mengetahui secara lebih detail variabel penduga mana yang memberikan efek signifikan maka perlu dilakukan uji t...... dihitung dengan rumus: t= βk − 0 S 2 (β k ) 48 ...... ... Untuk keperluan uji t maka perlu disusun matriks ragam-peragam ˆ bagi β .. ⎟ ⎟ ⎜ 2 ⎟ ⎜ s ( β ..... . . β ) s 2 ( β . nilai t dihitung dengan rumus: t= β0 − 0 S 2 (β 0 ) Sedangkan untuk βk.. 3....... Pada β0.. sedangkan nilai di luar diagonal utama adalah peragam/kovarian. Indikasi signifikansi variabel tersebut adalah nilai β masing-masing variabel adalah tidak sama dengan nol. .. β ) s 2 (β ) ......

5.Nilai t untuk masing-masing parameter kemudian dibandingkan dengan t tabel atau dengan p(t) untuk mengetahui signifikansinya. Gambar 3. berikut ini akan dijelaskan langkah-langkah uji t.5.2. Tampilan Input Uji t untuk Regresi Berganda 49 . Contoh Perhitungan Uji t: Dengan menggunakan Contoh Kasus 3. Buatlah Worksheet baru dan beri nama ttest. susunlah input seperti Gambar 3. Formulasikan Hipotesis Uji t Untuk β0: • • Untuk β1 • • Untuk β2 • • Ho: β2=0 Ha: β2≠0 Ho: β1=0 Ha: β1≠0 Ho: β0=0 Ha: β0≠0 Langkah-langkah perhitungan: 1.

Hitung nilai Confidence Interval (CI) dari masing-masing parameter 50 .$E$10. Keterangan input • • • Matriks X’X. Hitung nilai sig atau p(t) • Pada Cell F19 ketik formula =TDIST(D19.5 5. 3. Hitung nilai Standard Error (SE) Pada Cell C19 ketik formula =B12^0.$E$10). Copy Cell B12 dan Paste ke Cell B13 sampai dengan D14. lalu Paste ke Cell E20 dan E21 7.2). Copy E19.2. Isi nilai koefisien • • • • • • • • • • Pada Cell B19 ketik formula =G2 Pada Cell B20 ketik formula =G3 Pada Cell B21 ketik formula =G4 4. yaitu pada Cell B12 ketik formula =B6*$B$10. Hitung nilai t Pada Cell D19 ketik formula =(B19 -0)/C19 Pada Cell D20 ketik formula =(B20-0)/C20 Pada Cell D21 ketik formula =(B21-0)/C21 6.05. Hitung nilai t tabel Pada Cell E19 ketik formula =TINV(0.5 Pada Cell C21 ketik formula =D14^0. Matriks ragam-peragam atau V(B) didapat dengan mengalikan matriks (X’X) dengan SSE. Copy Cell F19 lalu Paste ke Cell F20 dan F21 8. (X’X)-1 dan B adalah nilai yang didapat dari hasil perhitungan pada koefisien regresi.5 Pada Cell C20 ketik formula =C13^0. MSE dan dbe didapat dari hasil perhitungan Anova.

319 sedangkan nilai t tabel =2.6. Karena nilai t hitung < t tabel.6.198 serta pada CI sebesar -5. maka akan nampak hasil seperti Gambar 3. 51 . maka dapat disimpulkan bahwa pada tingkat kepercayaan 95% β0=0. Copy Cell H19 lalu Paste ke Cell H20 dan H21 9. Copy Cell G19 dan Paste ke Cell G20 dan G21 • Nilai Batas Atas (upper) Pada Cell H19 ketik formula =B19+C19*E19. p(t)=0.• Hitung nilai batas bawah (lower) Pada Cell G19 ketik formula =B19-C19*E19. nilai p(t)>α(0. Jika perhitungan benar. hal ini menandakan bahwa garis regresi yang terbentuk melewati titik asal.128. Tampilan Output Uji t untuk Regresi Linear Berganda 10. Pengambilan Keputusan Keputusan untuk β0: Berdasarkan hasil uji parameter dengan uji t diketahui bahwa nilai t hitung =1.052. Gambar 3.248 ≤ β0 ≤ 24.05) dan pada CI di dalamnya terdapat nol.

jumlah variabel penduga yang semakin banyak hingga xj akan memengaruhi nilai error seiring dengan bertambahnya nilai derajat bebas regresi.2.497. p(t)=0. dan n adalah jumlah data yang digunakan.059 ≤ β1 ≤ 0. koefisien ini menyatakan kekuatan pengaruh variabel penduga secara bersamasama terhadap variabel bergantung.000 dan CI sebesar 0.614.Keputusan untuk β1: Berdasarkan uji t diketahui bahwa nilai t hitung =5.889. dengan demikian dapat disimpulkan bahwa pada tingkat keyakinan 95% nilai β1≠0 yang berarti bahwa performance seorang supervisor menurut persepsi pekerja dipengaruhi oleh kemampuannya dalam menangani komplain dari para pekerja. 52 . p(t)>α(0. Karena nilai t > t tabel. Karena nilai t < t tabel.396 ≤ β1 ≤ 0. p(t) < α(0.118 dan CI sebesar -0. p(t)=0. k adalah banyak variabel.358 sedangkan t tabel =2.4 Perhitungan R-Square dan Adjusted R Square Koefisien determinasi atau R-Square dalam regresi linear berganda dihitung dengan rumus: r2 = SSR SST Seperti halnya pada regresi linear sederhana. Oleh karena itu. kesungguhan seorang supervisor dalam mempelajari hal yang baru tidaklah menentukan performance seorang supervisor. 3.05) dan pada CI di dalamnya tidak terdapat nol. Keputusan untuk β2: Uji parameter terhadap β2 menunjukkan bahwa nilai t=1. Namun demikian. r2 ini perlu disesuaikan (Adjusted-R Square) yang dirumuskan dengan persamaan: Adjusted r 2 = r 2 − k −1 (1 − r 2 ) n-k Di mana r2 adalah koefisien determinasi sebelum disesuaikan.05). maka dapat disimpulkan bahwa nilai β1=0 yang berarti bahwa menurut persepsi pekerja.052.

koefisien korelasi dengan menjadikan xj sebagai pengoreksi r(xi|xj.2. Koefisien korelasi ganda menyatakan hubungan antara varibel bergantung dengan variabel penduga secara bersama-sama.3 n-k Adjusted r 2 = r 2 − Dari hasil perhitungan di atas dapat dijelaskan bahwa variasi yang terjadi pada variabel bergantung. dalam hal ini performance seorang supervisor 68.704 − 30 .704) = 0.091 = = 0. koefisien korelasi dibedakan menjadi koefisien korelasi ganda dan parsial. 53 . 3.x0) atau kemudian dikenal dengan Part Correlations serta koefisien korelasi yang menganggap variabel penduga lainnya konstan atau kemudian dikenal dengan Partial Corellations. Koefisien korelasi ini dapat dibedakan menjadi koefisien korelasi yang mengabaikan xj atau r (xi|x0) yang kemudian dikenal dengan Zero-Order Corellations.200 maka nilai r2 dan adjusted r2 adalah: r2 = SSR 3058. yaitu kemampuan dalam menangani komplain dan kesungguhannya untuk belajar hal yang baru.2 diketahui bahwa k=3. Untuk menghitung Zero Order dan Part Corellation perlu disusun tabel Anova seperti pada Tabel 3.5 Perhitungan Koefisien Korelasi Ganda dan Parsial Dalam model regresi berganda. Sedangkan koefisien korelasi parsial menyatakan hubungan variabel bergantung dengan satu variabel penduga jika variabel penduga yang lain dianggap konstan atau tetap.683 (1 − r 2 ) = 0.30% dipengaruhi oleh variabel penduganya. sedangkan sisanya sebesar 31.70% dipengaruhi oleh faktor lain yang tidak diketahui. n=30. SSR=3058.704 SST 4341.Contoh Perhitungan Dengan menggunakan Contoh Kasus 3.200 3 −1 k −1 (1 − 0.2.091 dan SST=4341.

. ⎟ ⎜r 1 ⎟ r yx 2 . rx 2 k ..........r yxk ⎝ yx1 ⎠ Di mana rxixj adalah koefisien korelasi antar variabel yang dirumuskan dalam persamaan: 54 ... df2..dfe) Df k-1 MS SSR/dfr F MSR/MSE Ftabel F(α..x1 x2|x0 x1|x0. x2 |x0 memiliki arti bahwa variabel penduga x1 dan x2 digunakan secara bersama-sama dalam model regresi x1|x0 memiliki arti bahwa variabel penduga yang digunakan dalam model hanya variabel x1 dan mengabaikan x2 x1|x0... Tabel Anova untuk Perhitungan Korelasi Zero Order dan Part SV Regresi (x1....rx1k rx1 y ⎞ ⎛ 1 ⎜ ⎟ ⎜ rx 2 x1 1 ...dfe) 1 SS2 MS2/MSE F(α..2.x2|x0) x1|x0 x2|x0..... df1....... rx1x 2 .. dfr..x2 Error Total SS SSR SS(x1|x0) SSR-SS(x1|x0) SS(x2|x0) SSR-SS(x2|x0) SSE SST 1 Dbtdbr SS1 MS1/MSE F(α.....rx 2 y ⎟ R=⎜ ⎟ ⎜ .........dfe) Keterangan: • • • x1..Tabel 3.. x2 memiliki arti variabel penduga yang digunakan dalam regresi adalah x1 yang dikoreksi oleh x2 Perhitungan partial correlation dilakukan dengan terlebih dahulu menghitung nilai korelasi masing-masing variabel yang dinyatakan dalam matriks R..........

.C yxk C yy ⎠ Korelasi parsial antara variabel xi dengan y atau Rxi y dapat dihitung dengan rumus: Rxi.....rxixj = i =1 j =1 ∑ n ∑x ∑x i n n j xi x j − 2 i =1 j =1 n ⎛ ⎜ ⎜ ⎝ ∑x i =1 n i 2 ⎛ n ⎞ ⎜ xi ⎟ ⎜ ⎟ ⎝ i =1 ⎠ − * n ∑ ∑x j =1 n ∑ j 2 − ⎞ xj ⎟ ⎟ j =1 ⎠ n n 2 R −1 ⎛ C x1x1 C x1x 2 .C x1k C x1 y ⎞ ⎜ ⎟ ⎜ C x 2 x1 C x 2 x1 ...... B dan ΣY^2 adalah nilai yang didapat dari proses perhitungan pada worksheet koefisien regresi.. y = Cxi.....xiC yy Contoh perhitungan korelasi ganda dan parsial Dengan menggunakan data pada Contoh Kasus 3...7.. y C xi........... 1. Susunlah input seperti Gambar 3.... ⎟ ⎜C ⎟ ⎝ yx1 C yx 2 ...2... berikut akan diberikan petunjuk perhitungan koefisien korelasi ganda dan parsial........ 55 .. C x 2 k ......... X’Y...C x 2 y ⎟ =C =⎜ ⎟ ⎜ ... kemudian beri nama korelasi.... 2... Keterangan input • Matriks X’X..... Buatlah Worksheet baru. 3..

Susunlah Matriks R-1 atau C • Blok Cell B22 sampai dengan D24 lalu ketik formula =MINVERSE(B18:D20).Gambar 3. Susunlah Matriks R • • Pada Cell B18. C19 dan D20 ketik formula =1 Hitung korelasi antara X1 dan X2 Pada Cell C18 dan B19 ketik formula =(D3C2*D2/30)/((C3-C2^2/B2)*(D4-D2^2/B2))^0.5 5. tekan Ctrl+Shift+Enter secara bersama-sama 56 .5 • Hitung korelasi antara X1 dan Y Pada Cell D18 dan B20 ketik formula =(B7C2*B6/B2)/((C3-C2^2/B2)*(B10-B6^2/B2))^0.5 • Hitung korelasi antara X2 dan Y Pada Cell D19 dan C20 ketik formula =(B8D2*B6/B2)/((D4-D2^2/B2)*(B10B6^2/B2))^0. Tampilan Input Perhitungan Koefisien Korelasi Regresi Berganda 4.7.

B6:B8)-B6^2/B2 Nilai SSE.6. pada Cell G11 ketik formula =G12-G6 Nilai SSR(x1|x0) =G3^2/G2 Nilai SSR(x2|x0.x2|x0) formula =3-1 Perhitungan Df (x2|x0.x2) Nilai dft pada Cell H6 ketik pada Cell H8 ketik pada Cell H10 ketik formula =1 pada Cell H12 ketik formula = B2-1 57 . Hitung Degree of Freedom (Df) • • • • Perhitungan Df (x1. Hitung Sum of Square (SS) • • • • • • • Nilai SST B6^2/B2 pada Cell G12 ketik formula =B10- Nilai SSR(x1.x2) =G6-G9 pada Cell G7 ketik formula pada Cell G8 ketik formula pada Cell G9 ketik formula pada Cell G10 ketik formula 8.x2|x0) pada Cell G6 ketik formula =MMULT(B16:D16.x1) =G6-G7 Nilai SSR(x2|x0) =I3^2/I2 Nilai SSR(x1|x0. Hitung Nilai Xi’Xi dan XiY • • • • Nilai X1’X C2^2/B2 Nilai X1’Y C2*B6/B2 Nilai X2’X D2^2/B2 Nilai X2’Y D2*B6/B2 pada Cell G2 ketik formula =C3pada Cell G3 ketik formula =B7pada Cell H2 ketik formula =D4pada Cell G3 ketik formula =B8- 7.x1) formula =1 Nilai df(x1|x0.

05.H11) pada Cell K6 ketik formula pada Cell K8 ketik formula Nilai Ftabek(x1|x0.x2|x0) =FINV(0.05. Hitung Nilai F tabel • • • Nilai F tabel (x1.x1) =FINV(0.05.H11) Nilai P(F)x2|x0.H6. Hitung Nilai P(F) • • • pada Cell L6 ketik formula Nilai P(F) x1.05.x2) =G10/H10 Nilai MSE pada Cell I6 ketik formula pada Cell I8 ketik formula pada Cell I10 ketik formula pada Cell I11 ketik formula = G12/H12 10.H11) Nilai P(F)x1|x0.x2|x0 =FINV(0.x1 pada Cell L8 ketik formula =FINV(0.H11) 58 .x2 pada Cell L10 ketik formula =FINV(0.H11) 12.x2|x0) =G6/H6 Nilai MS(x2|x0.H11) Nilai Ftabel(x2|x0.x1) =G8/H8 Nilai MS(x1|x0.05. Hitung Nilai Mean Square (MS) Nilai MS(x1.H10.05.H8.H10.• • • • • • • • Nilai dfe pada Cell H11 ketik formula =H12-H6 9.x2) =I10/I11 pada Cell J6 ketik formula pada Cell J8 ketik formula pada Cell J10 ketik formula 11. Hitung Nilai F Nilai F (x1.H8.x1) =I8/I11 Nilai F(x1|x0.x2) pada Cell K10 ketik formula =FINV(0.H6.x2|x0) =I6/I11 Nilai F(x2|x0.

8.5 pada Cell Perhitungan zero order correlation X2 dengan Y pada Cell I20 ketik formula =(G9/G12)^0.5) • Gambar 3.5 15.13.5) Perhitungan partial correlation untuk X2 dengan Y pada Cell I20 ketik formula =-D23/((D24*C23) ^0. Tampilan Keluaran Perhitungan Koefisien Korelasi Regresi Linear Berganda 59 . Hitung nilai Zero Order Corellation Nilai zero order correlation X1 dengan Y I19 ketik formula =(G7/G12)^0. Hitung nilai koefisien korelasi ganda • • • Pada Cell I14 ketik formula =(G6/G12)^0. Hitung nilai Partial Corellation • Perhitungan partial correlation untuk X1 dengan Y pada Cell J19 ketik formula =-D22/((B22*D24) ^0.5 14.

18.70% berbanding lurus. ini terjadi karena nilai β1 dan β2 bernilai positif. dapat disimpulkan bahwa x1 atau kemampuan dalam menangani komplain memiliki pengaruh yang signifikan terhadap performance seorang supervisor (y). Sedangkan koefisien korelasi parsial x2 terhadap y sebesar 0. pada tabel tersebut diketahui bahwa x1 dan x2 secara bersama-sama memberikan pengaruh yang nyata terhadap y yang ditandai dengan nilai F hitung (x1.x1) memiliki pengaruh yang tidak signifikan terhadap y.605 < F tabel.5 17. Sebaliknya pengaruh x2 yang dikoreksi oleh x1 (x2|x0. Dengan demikian.x1) =2. Koefisien korelasi parsial kedua variabel bernilai positif. Pengambilan keputusan Perhatikan pada bagian Anova. Jika langkah-langkah penyelesaian dilakukan dengan benar maka akan muncul hasil seperti Gambar 3.80% berbanding lurus. Sumber variasi kemudian dipecah dengan cara menghitung nilai pengaruh x1 yang dikoreksi oleh x2 (x1|x0. Koefisien korelasi parsial x1 terhadap y adalah sebesar 0. Pada bagian ini terlihat bahwa x1 memberikan pengaruh yang signifikan terhadap y karena F(x1|x0.705 > f tabel.16.x2).297 yang menandakan bahwa hubungan antara variabel kesungguhan supervisor dalam mempelajari sesuatu yang baru dengan performace yang dimilikinya adalah 29. di mana F(x2|x0. Hitung nilai Part Corellation • • Perhitungan part correlation untuk X1 dengan Y pada Cell K19 ketik formula =(G10/G12)^0. Sedangkan x2 atau kesungguhan seorang supervisor dalam mempelajari hal yang baru tidak menentukan performance seorang supervisor.x2|x0) lebih dari F tabel.8. 60 .x2) =28.5 Perhitungan part correlation untuk X2 dengan Y pada Cell K20 ketik formula =(G8/G12)^0.718 yang berarti bahwa hubungan antara variabel kemampuan seorang supervisor dalam menangani komplain dengan performance supervisor 71.

3. Susun data input seperti Gambar 3.9. Klik Data pada Toolbar Data Analysis OK. Gambar 3. pekerja mungkin lebih berharap seorang supervisor agar lebih mampu dalam menangani komplain yang mereka ajukan. Tampilan Data Input Regresi Berganda dengan MS Excel Add-Ins 2. dapat diselesaikan dengan mudah menggunakan fasilitas MS Excel Add-Ins.Dari hasil perhitungan tersebut dapat ditarik suatu benang merah bahwa pekerja di perusahaan finansial menganggap bahwa kemampuan seorang supervisor dalam menangani komplain merupakan variabel yang lebih utama dibandingkan kesungguhan dalam mempelajari hal yang baru.3 Penyelesaian Regresi Linear Berganda dengan MS Excel Add-Ins Perhitungan Contoh Kasus 3.9. Dari kasus ini. Akan muncul jendela Regression.2. Tahapan-tahapan penyelesaiannya adalah sebagai berikut: 1. Regression 61 .

Aktifkan Labels dan Confidence level 95%. 6.Gambar 3. Pada Input Y Range isi dengan $A$1:$A$31 (Blok Cell A1 sampai Cell A31).11. 5. artinya output akan diletakkan pada Cell E1.11. 4. Pada Output Range isi $E$1 (klik Cell E1).10. Tampilan Hasil Penyelesaian Regresi Linear Berganda dengan MS Excel Add-Ins 62 . sedangkan pada X range isi dengan $B$1:$C$31 (Blok Cell B1 sampai dengan Cell C31). Tampilan Jendela Regression 3. Klik OK akan muncul tampilan seperti Gambar 3. Gambar 3.

4401 + 0. sedangkan sisanya tidak dapat dijelaskan oleh model. Adjusted R Square sebesar 0.188 > α.6426x1 + 0.643 dan Coefficients untuk x2 (β2) adalah sebesar 0.319 dengan nilai Pvalue atau P(t) sebesar 0.219.2190x 2 Berdasarkan analisis varian. bagian ini memuat nilai Multiple R dengan nilai 0.704 (koefisien determinasi yang belum disesuaikan). Keterangan hasil keluaran Perhatikan bagian SUMMARY. diketahui bahwa hanya variabel x1 yang berpengaruh signifikan terhadap y. menurut persepsi pekerja. sedangkan untuk β2 miliki t Stat 1. performance seorang supervisor dipengaruhi oleh kemampuannya dalam menangani komplain pekerjanya.683 yang berarti bahwa 68. Coefficients untuk x1 (β1) sebesar 0.440. model tersebut bersifat signifikan dengan koefisien determinasi 0.175 dan Significance F atau P(f) sebesar 0. Dengan demikian. oleh mereka dianggap tidak menentukan performance yang dimilikinya. Nilai t Stat untuk β0 adalah sebesar 1.358 dan P-value atau P(t) sebesar 0.683 (koefisien determinasi yang telah disesuaikan). Setelah dilakukan Uji-t.000. Pada bagian ANOVA memuat nilai F hitung sebesar 32. RSquare sebesar 0. Untuk β1 memiliki nilai t Stat atau t hitung sebesar 5. 63 . sedangkan kesungguhannya dalam mempelajari sesuatu yang baru.614 dengan P-value sebesar 0.198 > α.839 (koefisien korelasi ganda). 8.000 < α. Pada bagian akhir memuat nilai Coefficients Intercept (β0) dengan hasil perhitungan sebesar 9. Pengambilan keputusan Seperti halnya pada perhitungan manual diketahui bahwa model persamaan yang terbentuk adalah: ˆ y = 9.7. Nilai t Stat menyatakan nilai t hitung dan nilai P-value menyatakan nilai Sig atau P(t) yang dapat dibandingkan dengan nilai α.30% variasi pada y dapat dijelaskan dengan model.

Properti Masing-Masing Variabel Variable Name y x1 x2 Type Numeric Numeric Numeric Decimal 0 0 0 2.3. Pada Variabel View buatlah tiga buah variabel dengan properti seperti Tabel 3. Gambar 3.12. seperti pada Gambar 3. Tampilan Data Input Regresi Linear Berganda dengan SPSS 64 .2 juga dapat diselesaikan dengan mudah menggunakan SPSS.12.3.2.4 Penyelesaian Regresi Linear Berganda dengan SPSS Contoh Kasus 3. Adapun tahapan-tahapan penyelesaian regresi linear berganda dengan SPSS sebagai berikut: 1.3. Tabel 3. Lakukan data input pada Contoh Kasus 4.

683 Std. Gambar 3. Model Summary Model 1 R . 6.13.704 Adjusted R Square . 8. Tampilan Jendela Linear Regression: Statistics 7.839a R Square . pada bagian ini didapat nilai F hitung sebesar 32. pada bagian tersebut didapat nilai Adjusted R Square sebesar 0. sedangkan x1 dan x2 ke bagian Independent(s). 5. Pada jendela tersebut aktifkan Part and Partial Correlations. Tampilan Keluaran Model Summary pada SPSS 9.000. Klik variabel y dan masukkan ke bagian Dependent.839. Error of the Estimate 6. 65 . Klik Analysis Regression Linear Regression.3. Klik Continue lalu klik OK.14. Linear. Akan muncul jendela 4. Perhatikan bagian model Summary.175 dengan P(F) atau Sig sebesar 0.683 dan koefisien korelasi ganda atau Multiple R sebesar 0. Predictors: (Constant). x1 Gambar 3. Klik Statistics maka akan muncul jendela Linear Regression: Statistics.894 a. Perhatikan bagian Anova. x2.

Error Beta t 1 (Constan 9.109 4341. Sig 0.136 .Dependent Variable: y % Confidence Interval fo Correlations Sig.4 tersebut dilakukan menggunakan metode Enter.319 x1 . Tampilan Keluaran Anova pada SPSS 10. Tampilan Keluaran Coefficients pada SPSS 11.5 Materi Pengayaan: Pengenalan Metode Backward dengan SPSS untuk Regresi Linear Berganda Penyelesaian Contoh Kasus 3.889 .2 dengan SPSS dalam Subbab 3. Sig atau p(t)=0. Predictors: (Constant). Pada kesempatan ini akan dicoba 66 .000 dan Korelasi Parsial sebesar 0.440 7.297. Sedangkan nilai β1=0.614 a. Silakan dicocokkan hasil perhitungan SPSS dengan perhitungan secara manual untuk memudahkan dalam pengambilan keputusan. 3.198 -5.219 . .718 .248 24.175 Sig.200 df 2 27 29 Mean Square 1529. Perhatikan bagian Coefficients.169 Gambar 3. ower Bound Upper Bound Zero-order Partial Part . pada bagian ini didapat nilai β0=9. Sig 0.091 1283. x2. x1 b.523 F 32.198.210 1.128 .614.358 x2 .822 .000 .396 . a Coefficients Unstandardized Standardized Coefficients Coefficients Mode B Std.046 47.118 dan koefisien korelasi parsial sebesar 0.643 dengan t hitung sebesar 5. Pada metode Enter penyelesaian regresi tidak mempertimbangkan ada tidaknya variabel yang dikeluarkan dari model.16.561 .219 dengant t hitung sebesar 1.497 .718.118 -.059 .297 .159 1.319.15.625 .358.120 .000a Regression Residual Total a. Nilai β1= 0. Dependent Variable: y Gambar 3.697 5.ANOVAb Model 1 Sum of Squares 3058.643 .44 dengan t hitung sebesar 1.

Klik Continue lalu klik OK. 67 . Tampilan Linear Regression 4. Model Fit dan Part And Partial Corellations. Masukkan input seperti pada Subbab 3. Adapun langkah-langkah penyelesaian metode Backward adalah sebagai berikut: 1. 5. Confidence Intervals. 7.4. Klik Statistics akan muncul jendela Linear Regression Statistics. yaitu menyusun model dari variabel penduga secara keseluruhan kemudian memilahmilah variabel mana yang akan dikeluarkan dan variabel mana yang tetap dipertahankan dalam model sehingga dihasilkan model regresi linear terbaik. kemudian klik x1 dan x2 lalu masukkan ke Independent(s).4. Klik Analysis.dijelaskan tentang penggunaan metode Backward. Gambar 3. 2. lalu pilih Regression maka muncul jendela Linear Regression. Susun variabel input dengan properti seperti Tabel 3. Klik y lalu masukkan ke Dependent. 6. 3. 8. Pada bagian Regression Coefficients aktifkan Estimate.17. Pada bagian Method pilihlah Backward.

099 .297 .9.718 . .059 .000 . Predictors: (Constant).440 7.169 .285 1406.643 .120 .109 4341.321 27.676 Adjusted R Square .045 .000b a.822b R Square .000 .915 4341. x1 b.20.732 2. Dependent Variable: y Gambar 3. Tampilan Keluaran Model Summary Metode Backward ANOVAc Model 1 Sum of Squares 3058.961 . x2. Error Beta t 1 (Consta 9. Coefficients.614 2 (Consta14.091 1283.497 .704 .046 47.19.396 . x1 Gambar 3.523 2934.758 .210 1.822 .822 7.200 2934.096 x1 .902 .664 Std. ower Bounpper Boun Zero-orde Partial Part .839a .000a 2 Regression Residual Total Regression Residual Total 58. Predictors: (Constant). Predictors: (Constant). Tampilan Keluaran Coefficients Metode Backward 68 .397 .889 .118 -. Model Summary Model 1 2 R .159 1.198 -5.683 .561 .285 50.822 Gambar 3.219 .822 . Akan muncul Model Summary. serta Exclude Variables. x1 c. x1 b.822 . Error of the Estimate 6.248 24.894 7.358 x2 .136 .247 F 32.200 df 2 27 29 1 28 29 Mean Square 1529.555 . x2.128 .089 a.625 .642 a. Anova.319 x1 .Dependent Variable: y Confidence Interval f Correlations Sig.18. Tampilan Keluaran Anova Metode Backward a Coefficients Unstandardized tandardized Coefficients Coefficients Mode B Std.697 5.112 6. Predictors: (Constant).175 Sig.

683 (lihat nilai Adjusted R Square model pertama).b Excluded Variables Model 2 x2 Beta In . yaitu terdiri atas bagian Model Summary. sedangkan model kedua memiliki R Square sebesar 0.4401 + 0.646 a.319 menjadi 2.096 dengan Sig dari 0. Bagian kedua adalah model hanya mempertahankan x1 dan mengeluarkan x2 (model b). Pada bagian Summary terlihat bahwa model pertama memiliki R Square sebesar 0.198 menjadi 0.297 Collinearity Statistics Tolerance . Tampilan Keluaran Excluded Variables Metode Backward 10. Oleh karenanya dalam hal ini keluaran SPSS kemudian dibagi menjadi dua Bagian. .118 Partial Correlation . koefisien β0 juga mengalami perubahan dari 1.6426x 1 + 0. Penjelasan tentang keluaran Keluaran hasil analisis pada dasarnya sama dengan metode Enter. Anova dan Coefficients.614 Sig.676 (lihat nilai R Square model kedua). x1 b.045 atau signifikan.758x1 (Model b) Selain R-square mengalami perubahan. Pertanyaan yang 69 .210a t 1. Pada bagian akhir hasil analisis terlihat bahwa ada variabel yang dikeluarkan.21. Namun pada metode Backward keluaran dipilah-pilah berdasarkan model setelah diproses ada tidaknya variabel yang dikeluarkan. yaitu x2. Sedangkan hasil pembacaan pada bagian Coefficients dapat disimpulkan bahwa model pertama memiliki bentuk persamaan: ˆ y = 9. Predictors in the Model: (Constant). Pada bagian pertama menggambarkan model dengan x1 dan x2 masih digunakan secara bersama-sama dalam persamaan regresi (model a).2190x 2 (Model a) Sedangkan model kedua memiliki bentuk persamaan: ˆ y = 14.112 + 0. Dependent Variable: y Gambar 3.

Jika hanya ingin mengetahui variabel-variabel mana saja yang berpengaruh terhadap varaibel bergantung. jika tujuan analisis adalah akan memilih model mana yang tepat untuk keperluan estimasi atau prediksi atau peramalan. maka tidak perlu mempermasalahkan tentang pemilihan model karena sudah jelas bahwa variabel mana yang berpengaruh dan variabel mana yang tidak berpengaruh. Atau juga harus dipastikan apakah data yang ada benar-benar representasi linear? 70 . Namun.dapat dimunculkan dari kedua model regresi linear tersebut apakah kita akan memilih model 1 dengan konsekuensi adanya variabel yang tidak berpengaruh atau memilih model 2 dengan konsekuensi menurunkan nilai R-Square. maka yang harus benar-benar dipastikan adalah signifikansi efek pengeluaran suatu variabel terhadap perubahan nilai R.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->