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

kemudian Copy Cell I2. 8. Pada Cell J2 ketik formula =C2*D2. 7. Keterangan dari masing-masing nilai: • • Nilai pada Cell A32 = n (jumlah data) Nilai pada Cell B32 = dan Cell D32 = ∑ i =1 n y i . Pada Cell H2 ketik formula =B2*C2. lalu Paste ke Cell I3 sampai dengan Cell H31. lalu Paste ke Cell E3 sampai dengan Cell E31. Pada Cell E2 ketik formula =B2^2 kemudian Copy Cell E2. lalu Paste ke Cell I3 sampai dengan Cell I31. Pada Cell G2 ketik formula =D2^2 kemudian Copy Cell G2. 6. lalu Paste ke Cell G3 sampai dengan Cell G31. 10. kemudian Copy Cell B32. lalu Paste ke Cell H3 sampai dengan Cell H31. Pada Cell A32 ketik formula =COUNT(A2:A31) 9.2. Pada Cell F2 ketik Formula =C2^2 kemudian Copy Cell F2. Pada Cell B32 ketik formula = SUM (B2:B31). 3. lalu Paste ke Cell F3 sampai dengan Cell F1. Pada Cell I2 ketik formula =B2*D2. 5. kemudian Copy Cell H2. Cell F32 = ∑x i =1 n i1 2 ∑x i =1 n 42 . lalu Paste ke Cell C32 sampai dengan Cell J32. kemudian Copy Cell I2. 4. 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 .

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. 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. Apabila langkah perhitungan dilakukan dengan benar.• Nilai pada Cell H32 = ∑x i =1 n i1 y i . Cell I32 = ∑ i =1 n x i2 y i dan Cell J32 = ∑x i =1 n i1 x i2 11. Hitung nilai β0. β1 dan β3 Blok Cell M16:M18 lalu =MMULT(M8:O10.M12:H14) Tekan tombol bersama-sama ketik formula secara CTRL+SHIFT+ENTER 15. 43 . Susun matriks X’Y • • • • • Pada Cell M12 ketik formula =B32 Pada Cell M13 ketik formula =H32 Pada Cell M14 ketik formula =I32 14.2. maka akan diperoleh hasil seperti Gambar 3.

2 adalah β0=9.Gambar 3.2190. semakin kecil nilai x1 atau x2 akan diikuti dengan nilai y yang semakin kecil. 44 .2.2190x 2 • Dari model tersebut diketahui bahwa nilai β1dan β1 bernilai positif yang memberikan indikasi awal. Sehingga model regresi berganda dapat ditulis dengan persamaan: ˆ y = 9. Hal ini berarti bahwa semakin besar nilai x1 atau x2 akan diikuti oleh kenaikan nilai y. Seperti halnya pada pembahasan regresi linear sederhana. Oleh karena itu perlu dilakukan Uji dengan Anova dan Uji t terhadap model persamaan tersebut. baik x1 dan x2 memiliki hubungan yang berbanding lurus dengan y. β1=0. Tampilan Hasil Perhitungan Koefisien Regresi • Berdasarkan hasil perhitungan diketahui bahwa nilai koefisien model regresi berganda pada Contoh Kasus 3. indikasi awal ini tidaklah bermakna jika belum diketahui signifikansinya.4401.4401 + 0.6426 dan β3=0.6426x1 + 0. Demikian sebaliknya.

sumbangan Gambar 3. Adapun proses analisis varian pada Contoh Kasus 3.3. 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. buatlah worksheet baru. Keterangan input tabel • X’X didapat dari hasil perhitungan sebelumnya. Susun tabel input seperti Gambar 3. Dengan menggunakan data pada Contoh Kasus 3.3. Copy Cell M3:O5 pada Worksheet koefisien lalu klik Worksheet Anova.2 tersebut adalah sebagai berikut. kemudian berilah nama Anova.2.2 Analisis Varian pada Model Regresi Berganda Analisis varian pada model regresi berganda pada dasarnya sama dengan pada model regresi sederhana. 45 . Tampilan Input Anova Regresi Berganda 3.2. Klik kanan Cell B2 lalu pilih Paste Special kemudian pilih Paste Link.3. 2.

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

354 dan nilai P(F) atau sig =0. Hitung nilai F hitung (Fc) • Fc = MSR/MSE Pada Cell E17 ketik formula =D17/D18 10.000.C18) ketik Formula 12. Tentukan nilai Sig atau P(F) • Pada Cell G17 =FDIST(E17.dfe) Pada Cell F17 ketik formula =FINV(0.C17. Tentukan nilai F tabel • F Tabel = F(α. maka pada tingkat keyakinan 95% dapat dinyatakan bahwa nilai β 1 dan β 2 ≠ 0 . Gambar 3.dfr. 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 9.8. Jika langkah perhitungan benar. Untuk 47 .C18) 11. maka akan nampak hasil seperti Gambar 3. Pengambilan Keputusan Hasil analisis varian menunjukkan bahwa nilai F hitung sebesar 32. Tampilan Output Anova Regresi Berganda 13.175 sedangkan nilai F tabel =3.4. Karena nilai F > Ftabel dan Sig <α. Dengan demikian.4.C17.05. dapat disimpulkan bahwa keragaman variabel penduga memberikan sumbangan terhadap keragaman pada variabel bergantungnya.

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

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. Contoh Perhitungan Uji t: Dengan menggunakan Contoh Kasus 3.2.5.5. susunlah input seperti Gambar 3.Nilai t untuk masing-masing parameter kemudian dibandingkan dengan t tabel atau dengan p(t) untuk mengetahui signifikansinya. berikut ini akan dijelaskan langkah-langkah uji t. Tampilan Input Uji t untuk Regresi Berganda 49 . Buatlah Worksheet baru dan beri nama ttest. Gambar 3.

MSE dan dbe didapat dari hasil perhitungan Anova.2.2). Hitung nilai sig atau p(t) • Pada Cell F19 ketik formula =TDIST(D19. yaitu pada Cell B12 ketik formula =B6*$B$10. Matriks ragam-peragam atau V(B) didapat dengan mengalikan matriks (X’X) dengan SSE. Hitung nilai Standard Error (SE) Pada Cell C19 ketik formula =B12^0. Keterangan input • • • Matriks X’X.$E$10. Copy Cell B12 dan Paste ke Cell B13 sampai dengan D14.5 Pada Cell C20 ketik formula =C13^0. (X’X)-1 dan B adalah nilai yang didapat dari hasil perhitungan pada koefisien regresi. Copy E19. Hitung nilai t Pada Cell D19 ketik formula =(B19 -0)/C19 Pada Cell D20 ketik formula =(B20-0)/C20 Pada Cell D21 ketik formula =(B21-0)/C21 6.$E$10). Isi nilai koefisien • • • • • • • • • • Pada Cell B19 ketik formula =G2 Pada Cell B20 ketik formula =G3 Pada Cell B21 ketik formula =G4 4. Hitung nilai Confidence Interval (CI) dari masing-masing parameter 50 . Copy Cell F19 lalu Paste ke Cell F20 dan F21 8.5 Pada Cell C21 ketik formula =D14^0.5 5. lalu Paste ke Cell E20 dan E21 7. 3. Hitung nilai t tabel Pada Cell E19 ketik formula =TINV(0.05.

6.319 sedangkan nilai t tabel =2.• Hitung nilai batas bawah (lower) Pada Cell G19 ketik formula =B19-C19*E19. p(t)=0. Pengambilan Keputusan Keputusan untuk β0: Berdasarkan hasil uji parameter dengan uji t diketahui bahwa nilai t hitung =1. 51 . Karena nilai t hitung < t tabel.198 serta pada CI sebesar -5. Copy Cell H19 lalu Paste ke Cell H20 dan H21 9.128.6.052.05) dan pada CI di dalamnya terdapat nol. maka akan nampak hasil seperti Gambar 3. Jika perhitungan benar.248 ≤ β0 ≤ 24. hal ini menandakan bahwa garis regresi yang terbentuk melewati titik asal. nilai p(t)>α(0. Copy Cell G19 dan Paste ke Cell G20 dan G21 • Nilai Batas Atas (upper) Pada Cell H19 ketik formula =B19+C19*E19. Gambar 3. maka dapat disimpulkan bahwa pada tingkat kepercayaan 95% β0=0. Tampilan Output Uji t untuk Regresi Linear Berganda 10.

059 ≤ β1 ≤ 0.000 dan CI sebesar 0.Keputusan untuk β1: Berdasarkan uji t diketahui bahwa nilai t hitung =5. kesungguhan seorang supervisor dalam mempelajari hal yang baru tidaklah menentukan performance seorang supervisor. Karena nilai t < t tabel.396 ≤ β1 ≤ 0. 52 . k adalah banyak variabel. Keputusan untuk β2: Uji parameter terhadap β2 menunjukkan bahwa nilai t=1. Namun demikian.2. 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.358 sedangkan t tabel =2. p(t)=0.889.052. p(t) < α(0. 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. jumlah variabel penduga yang semakin banyak hingga xj akan memengaruhi nilai error seiring dengan bertambahnya nilai derajat bebas regresi.05).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. p(t)=0. 3. p(t)>α(0.614.497.118 dan CI sebesar -0. dan n adalah jumlah data yang digunakan. Karena nilai t > t tabel. maka dapat disimpulkan bahwa nilai β1=0 yang berarti bahwa menurut persepsi pekerja.05) dan pada CI di dalamnya tidak terdapat nol. koefisien ini menyatakan kekuatan pengaruh variabel penduga secara bersamasama terhadap variabel bergantung. Oleh karena itu.

dalam hal ini performance seorang supervisor 68. n=30. Koefisien korelasi ganda menyatakan hubungan antara varibel bergantung dengan variabel penduga secara bersama-sama.704 SST 4341. Sedangkan koefisien korelasi parsial menyatakan hubungan variabel bergantung dengan satu variabel penduga jika variabel penduga yang lain dianggap konstan atau tetap. Untuk menghitung Zero Order dan Part Corellation perlu disusun tabel Anova seperti pada Tabel 3.091 dan SST=4341.2 diketahui bahwa k=3. SSR=3058.5 Perhitungan Koefisien Korelasi Ganda dan Parsial Dalam model regresi berganda. yaitu kemampuan dalam menangani komplain dan kesungguhannya untuk belajar hal yang baru.200 maka nilai r2 dan adjusted r2 adalah: r2 = SSR 3058.3 n-k Adjusted r 2 = r 2 − Dari hasil perhitungan di atas dapat dijelaskan bahwa variasi yang terjadi pada variabel bergantung.Contoh Perhitungan Dengan menggunakan Contoh Kasus 3. sedangkan sisanya sebesar 31.704) = 0.x0) atau kemudian dikenal dengan Part Correlations serta koefisien korelasi yang menganggap variabel penduga lainnya konstan atau kemudian dikenal dengan Partial Corellations. 3. 53 .683 (1 − r 2 ) = 0.2.2. koefisien korelasi dibedakan menjadi koefisien korelasi ganda dan parsial.30% dipengaruhi oleh variabel penduganya.70% dipengaruhi oleh faktor lain yang tidak diketahui. koefisien korelasi dengan menjadikan xj sebagai pengoreksi r(xi|xj.091 = = 0.200 3 −1 k −1 (1 − 0.704 − 30 . Koefisien korelasi ini dapat dibedakan menjadi koefisien korelasi yang mengabaikan xj atau r (xi|x0) yang kemudian dikenal dengan Zero-Order Corellations.

....... df2. rx1x 2 .....rx1k rx1 y ⎞ ⎛ 1 ⎜ ⎟ ⎜ rx 2 x1 1 .....dfe) Keterangan: • • • x1.dfe) Df k-1 MS SSR/dfr F MSR/MSE Ftabel F(α.x1 x2|x0 x1|x0..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 k ......... df1.....dfe) 1 SS2 MS2/MSE F(α.rx 2 y ⎟ R=⎜ ⎟ ⎜ .. Tabel Anova untuk Perhitungan Korelasi Zero Order dan Part SV Regresi (x1.x2|x0) x1|x0 x2|x0............ ⎟ ⎜r 1 ⎟ r yx 2 ..r yxk ⎝ yx1 ⎠ Di mana rxixj adalah koefisien korelasi antar variabel yang dirumuskan dalam persamaan: 54 .2.. 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... 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... dfr.....Tabel 3.......

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

Gambar 3.7.5 • 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. 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. Susunlah Matriks R-1 atau C • Blok Cell B22 sampai dengan D24 lalu ketik formula =MINVERSE(B18:D20).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 5. tekan Ctrl+Shift+Enter secara bersama-sama 56 .

x2|x0) formula =3-1 Perhitungan Df (x2|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. Hitung Degree of Freedom (Df) • • • • Perhitungan Df (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.B6:B8)-B6^2/B2 Nilai SSE.6.x1) =G6-G7 Nilai SSR(x2|x0) =I3^2/I2 Nilai SSR(x1|x0.x2|x0) pada Cell G6 ketik formula =MMULT(B16:D16.x1) formula =1 Nilai df(x1|x0. Hitung Sum of Square (SS) • • • • • • • Nilai SST B6^2/B2 pada Cell G12 ketik formula =B10- Nilai SSR(x1.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 . pada Cell G11 ketik formula =G12-G6 Nilai SSR(x1|x0) =G3^2/G2 Nilai SSR(x2|x0.

Hitung Nilai F tabel • • • Nilai F tabel (x1.05.x2) =I10/I11 pada Cell J6 ketik formula pada Cell J8 ketik formula pada Cell J10 ketik formula 11.H11) 58 .H11) pada Cell K6 ketik formula pada Cell K8 ketik formula Nilai Ftabek(x1|x0.x1) =G8/H8 Nilai MS(x1|x0.x1 pada Cell L8 ketik formula =FINV(0.05.05.x1) =I8/I11 Nilai F(x1|x0. Hitung Nilai Mean Square (MS) Nilai MS(x1.H11) Nilai P(F)x1|x0.H11) Nilai Ftabel(x2|x0.x2|x0) =I6/I11 Nilai F(x2|x0.H11) 12.H10.05.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.H8.H10.x1) =FINV(0.x2) pada Cell K10 ketik formula =FINV(0.x2|x0 =FINV(0.x2|x0) =G6/H6 Nilai MS(x2|x0.x2|x0) =FINV(0.H11) Nilai P(F)x2|x0.H6. Hitung Nilai F Nilai F (x1. Hitung Nilai P(F) • • • pada Cell L6 ketik formula Nilai P(F) x1.05.• • • • • • • • Nilai dfe pada Cell H11 ketik formula =H12-H6 9.H8.05.x2 pada Cell L10 ketik formula =FINV(0.H6.

Hitung nilai koefisien korelasi ganda • • • Pada Cell I14 ketik formula =(G6/G12)^0.5 14. Hitung nilai Zero Order Corellation Nilai zero order correlation X1 dengan Y I19 ketik formula =(G7/G12)^0.13. Hitung nilai Partial Corellation • Perhitungan partial correlation untuk X1 dengan Y pada Cell J19 ketik formula =-D22/((B22*D24) ^0. Tampilan Keluaran Perhitungan Koefisien Korelasi Regresi Linear Berganda 59 .5 pada Cell Perhitungan zero order correlation X2 dengan Y pada Cell I20 ketik formula =(G9/G12)^0.5 15.5) • Gambar 3.8.5) Perhitungan partial correlation untuk X2 dengan Y pada Cell I20 ketik formula =-D23/((D24*C23) ^0.

x2).5 17. 18. Koefisien korelasi parsial x1 terhadap y adalah sebesar 0. Jika langkah-langkah penyelesaian dilakukan dengan benar maka akan muncul hasil seperti Gambar 3.297 yang menandakan bahwa hubungan antara variabel kesungguhan supervisor dalam mempelajari sesuatu yang baru dengan performace yang dimilikinya adalah 29. Pada bagian ini terlihat bahwa x1 memberikan pengaruh yang signifikan terhadap y karena F(x1|x0.605 < F tabel. Sedangkan koefisien korelasi parsial x2 terhadap y sebesar 0. di mana F(x2|x0. Hitung nilai Part Corellation • • Perhitungan part correlation untuk X1 dengan Y pada Cell K19 ketik formula =(G10/G12)^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. dapat disimpulkan bahwa x1 atau kemampuan dalam menangani komplain memiliki pengaruh yang signifikan terhadap performance seorang supervisor (y).8.x2|x0) lebih dari F tabel. Sumber variasi kemudian dipecah dengan cara menghitung nilai pengaruh x1 yang dikoreksi oleh x2 (x1|x0.70% berbanding lurus. Pengambilan keputusan Perhatikan pada bagian Anova.x1) memiliki pengaruh yang tidak signifikan terhadap y.80% berbanding lurus.718 yang berarti bahwa hubungan antara variabel kemampuan seorang supervisor dalam menangani komplain dengan performance supervisor 71. Dengan demikian. Koefisien korelasi parsial kedua variabel bernilai positif.5 Perhitungan part correlation untuk X2 dengan Y pada Cell K20 ketik formula =(G8/G12)^0.16.705 > f tabel. Sedangkan x2 atau kesungguhan seorang supervisor dalam mempelajari hal yang baru tidak menentukan performance seorang supervisor. 60 .x2) =28.x1) =2. Sebaliknya pengaruh x2 yang dikoreksi oleh x1 (x2|x0. ini terjadi karena nilai β1 dan β2 bernilai positif.

Tahapan-tahapan penyelesaiannya adalah sebagai berikut: 1. Klik Data pada Toolbar Data Analysis OK. Gambar 3. Susun data input seperti Gambar 3. Akan muncul jendela Regression.3 Penyelesaian Regresi Linear Berganda dengan MS Excel Add-Ins Perhitungan Contoh Kasus 3.9.9.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. Regression 61 . pekerja mungkin lebih berharap seorang supervisor agar lebih mampu dalam menangani komplain yang mereka ajukan.2. Dari kasus ini. dapat diselesaikan dengan mudah menggunakan fasilitas MS Excel Add-Ins. 3. Tampilan Data Input Regresi Berganda dengan MS Excel Add-Ins 2.

10. Pada Output Range isi $E$1 (klik Cell E1). artinya output akan diletakkan pada Cell E1. Tampilan Hasil Penyelesaian Regresi Linear Berganda dengan MS Excel Add-Ins 62 . Gambar 3.11.11. Aktifkan Labels dan Confidence level 95%.Gambar 3. Klik OK akan muncul tampilan seperti Gambar 3. 4. sedangkan pada X range isi dengan $B$1:$C$31 (Blok Cell B1 sampai dengan Cell C31). 6. Pada Input Y Range isi dengan $A$1:$A$31 (Blok Cell A1 sampai Cell A31). 5. Tampilan Jendela Regression 3.

683 (koefisien determinasi yang telah disesuaikan). sedangkan kesungguhannya dalam mempelajari sesuatu yang baru.643 dan Coefficients untuk x2 (β2) adalah sebesar 0.2190x 2 Berdasarkan analisis varian.839 (koefisien korelasi ganda).6426x1 + 0. performance seorang supervisor dipengaruhi oleh kemampuannya dalam menangani komplain pekerjanya. Untuk β1 memiliki nilai t Stat atau t hitung sebesar 5. 8.683 yang berarti bahwa 68. bagian ini memuat nilai Multiple R dengan nilai 0. Pada bagian akhir memuat nilai Coefficients Intercept (β0) dengan hasil perhitungan sebesar 9. sedangkan untuk β2 miliki t Stat 1. Dengan demikian.198 > α.30% variasi pada y dapat dijelaskan dengan model. Keterangan hasil keluaran Perhatikan bagian SUMMARY.319 dengan nilai Pvalue atau P(t) sebesar 0.000 < α. sedangkan sisanya tidak dapat dijelaskan oleh model.4401 + 0. Adjusted R Square sebesar 0. Setelah dilakukan Uji-t.188 > α.000. Pada bagian ANOVA memuat nilai F hitung sebesar 32. model tersebut bersifat signifikan dengan koefisien determinasi 0.7. Nilai t Stat untuk β0 adalah sebesar 1.704 (koefisien determinasi yang belum disesuaikan). diketahui bahwa hanya variabel x1 yang berpengaruh signifikan terhadap y. oleh mereka dianggap tidak menentukan performance yang dimilikinya.358 dan P-value atau P(t) sebesar 0. Pengambilan keputusan Seperti halnya pada perhitungan manual diketahui bahwa model persamaan yang terbentuk adalah: ˆ y = 9. 63 . RSquare sebesar 0.614 dengan P-value sebesar 0.440. menurut persepsi pekerja. Coefficients untuk x1 (β1) sebesar 0. Nilai t Stat menyatakan nilai t hitung dan nilai P-value menyatakan nilai Sig atau P(t) yang dapat dibandingkan dengan nilai α.219.175 dan Significance F atau P(f) sebesar 0.

Properti Masing-Masing Variabel Variable Name y x1 x2 Type Numeric Numeric Numeric Decimal 0 0 0 2. Pada Variabel View buatlah tiga buah variabel dengan properti seperti Tabel 3.4 Penyelesaian Regresi Linear Berganda dengan SPSS Contoh Kasus 3. Tampilan Data Input Regresi Linear Berganda dengan SPSS 64 .2 juga dapat diselesaikan dengan mudah menggunakan SPSS.12. seperti pada Gambar 3.3. Lakukan data input pada Contoh Kasus 4. Tabel 3.3.3. Adapun tahapan-tahapan penyelesaian regresi linear berganda dengan SPSS sebagai berikut: 1.12. Gambar 3.2.

175 dengan P(F) atau Sig sebesar 0.3.683 dan koefisien korelasi ganda atau Multiple R sebesar 0.13. Error of the Estimate 6. Perhatikan bagian model Summary.839a R Square . Klik Continue lalu klik OK.839. Perhatikan bagian Anova. Akan muncul jendela 4. pada bagian tersebut didapat nilai Adjusted R Square sebesar 0. Gambar 3. pada bagian ini didapat nilai F hitung sebesar 32.000. Klik variabel y dan masukkan ke bagian Dependent. 6.14. Predictors: (Constant). sedangkan x1 dan x2 ke bagian Independent(s). 8. x1 Gambar 3. 65 . 5. x2. Model Summary Model 1 R .704 Adjusted R Square . Tampilan Keluaran Model Summary pada SPSS 9. Klik Statistics maka akan muncul jendela Linear Regression: Statistics. Linear. Tampilan Jendela Linear Regression: Statistics 7.683 Std. Pada jendela tersebut aktifkan Part and Partial Correlations. Klik Analysis Regression Linear Regression.894 a.

x1 b.059 .614.118 dan koefisien korelasi parsial sebesar 0.219 .319.319 x1 .358 x2 . Sig 0.159 1.697 5.497 .091 1283.15.561 .219 dengant t hitung sebesar 1. a Coefficients Unstandardized Standardized Coefficients Coefficients Mode B Std.128 . Nilai β1= 0.109 4341.210 1. Perhatikan bagian Coefficients. Pada metode Enter penyelesaian regresi tidak mempertimbangkan ada tidaknya variabel yang dikeluarkan dari model.358. x2.440 7. Tampilan Keluaran Coefficients pada SPSS 11. Sig 0.4 tersebut dilakukan menggunakan metode Enter. Tampilan Keluaran Anova pada SPSS 10. Predictors: (Constant). Pada kesempatan ini akan dicoba 66 .198.297.ANOVAb Model 1 Sum of Squares 3058.000 .5 Materi Pengayaan: Pengenalan Metode Backward dengan SPSS untuk Regresi Linear Berganda Penyelesaian Contoh Kasus 3.297 . .169 Gambar 3.136 . pada bagian ini didapat nilai β0=9.44 dengan t hitung sebesar 1.118 -.614 a. Sedangkan nilai β1=0.248 24. Sig atau p(t)=0.046 47.Dependent Variable: y % Confidence Interval fo Correlations Sig.175 Sig.625 . ower Bound Upper Bound Zero-order Partial Part .822 .718.200 df 2 27 29 Mean Square 1529.523 F 32.718 .120 .396 .643 .000a Regression Residual Total a.889 .198 -5. Error Beta t 1 (Constan 9. Silakan dicocokkan hasil perhitungan SPSS dengan perhitungan secara manual untuk memudahkan dalam pengambilan keputusan. 3.2 dengan SPSS dalam Subbab 3.000 dan Korelasi Parsial sebesar 0.16. Dependent Variable: y Gambar 3.643 dengan t hitung sebesar 5.

6. lalu pilih Regression maka muncul jendela Linear Regression. 3. Susun variabel input dengan properti seperti Tabel 3.4. Pada bagian Method pilihlah Backward. 2. Confidence Intervals. Klik Continue lalu klik OK. Klik Analysis. 67 .dijelaskan tentang penggunaan metode Backward.4.17. Tampilan Linear Regression 4. 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. 5. Pada bagian Regression Coefficients aktifkan Estimate. 8. 7. Gambar 3. Masukkan input seperti pada Subbab 3. Adapun langkah-langkah penyelesaian metode Backward adalah sebagai berikut: 1. Klik y lalu masukkan ke Dependent. kemudian klik x1 dan x2 lalu masukkan ke Independent(s). Klik Statistics akan muncul jendela Linear Regression Statistics. Model Fit dan Part And Partial Corellations.

321 27. x1 b. Anova.889 .676 Adjusted R Square .732 2.19.643 .128 .112 6.822 . x2.704 .822 .319 x1 .18.219 .096 x1 .000 . Error Beta t 1 (Consta 9.109 4341.718 . Predictors: (Constant).159 1.175 Sig.555 .758 . Predictors: (Constant).285 1406.396 .000 . x2.561 .822b R Square .20. Akan muncul Model Summary.118 -.089 a.9.497 .440 7.822 .614 2 (Consta14.358 x2 .285 50. Predictors: (Constant). Predictors: (Constant). serta Exclude Variables.915 4341.136 . Coefficients.248 24.169 . .200 df 2 27 29 1 28 29 Mean Square 1529.961 .523 2934.297 .894 7. x1 Gambar 3.822 7.822 Gambar 3.902 .397 .683 .664 Std. x1 b.642 a. Tampilan Keluaran Anova Metode Backward a Coefficients Unstandardized tandardized Coefficients Coefficients Mode B Std.045 .000a 2 Regression Residual Total Regression Residual Total 58. Error of the Estimate 6.200 2934.120 .Dependent Variable: y Confidence Interval f Correlations Sig.625 . Dependent Variable: y Gambar 3.059 . Tampilan Keluaran Coefficients Metode Backward 68 . Model Summary Model 1 2 R .198 -5. ower Bounpper Boun Zero-orde Partial Part .099 .247 F 32.697 5.210 1. Tampilan Keluaran Model Summary Metode Backward ANOVAc Model 1 Sum of Squares 3058. x1 c.000b a.839a .046 47.091 1283.

yaitu terdiri atas bagian Model Summary.118 Partial Correlation . yaitu x2. Oleh karenanya dalam hal ini keluaran SPSS kemudian dibagi menjadi dua Bagian.6426x 1 + 0. x1 b. Predictors in the Model: (Constant). Pada bagian akhir hasil analisis terlihat bahwa ada variabel yang dikeluarkan.b Excluded Variables Model 2 x2 Beta In .4401 + 0. Dependent Variable: y Gambar 3. Anova dan Coefficients. Sedangkan hasil pembacaan pada bagian Coefficients dapat disimpulkan bahwa model pertama memiliki bentuk persamaan: ˆ y = 9. Tampilan Keluaran Excluded Variables Metode Backward 10.096 dengan Sig dari 0.676 (lihat nilai R Square model kedua).297 Collinearity Statistics Tolerance .758x1 (Model b) Selain R-square mengalami perubahan.198 menjadi 0. sedangkan model kedua memiliki R Square sebesar 0.045 atau signifikan.683 (lihat nilai Adjusted R Square model pertama). Namun pada metode Backward keluaran dipilah-pilah berdasarkan model setelah diproses ada tidaknya variabel yang dikeluarkan.646 a. Pada bagian Summary terlihat bahwa model pertama memiliki R Square sebesar 0.319 menjadi 2. . koefisien β0 juga mengalami perubahan dari 1.21.614 Sig. Pada bagian pertama menggambarkan model dengan x1 dan x2 masih digunakan secara bersama-sama dalam persamaan regresi (model a). Penjelasan tentang keluaran Keluaran hasil analisis pada dasarnya sama dengan metode Enter. Pertanyaan yang 69 .112 + 0. Bagian kedua adalah model hanya mempertahankan x1 dan mengeluarkan x2 (model b).2190x 2 (Model a) Sedangkan model kedua memiliki bentuk persamaan: ˆ y = 14.210a t 1.

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

Sign up to vote on this title
UsefulNot useful