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

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

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

2. Seperti halnya pada pembahasan regresi linear sederhana. β1=0. Sehingga model regresi berganda dapat ditulis dengan persamaan: ˆ y = 9. Oleh karena itu perlu dilakukan Uji dengan Anova dan Uji t terhadap model persamaan tersebut.2190x 2 • Dari model tersebut diketahui bahwa nilai β1dan β1 bernilai positif yang memberikan indikasi awal. baik x1 dan x2 memiliki hubungan yang berbanding lurus dengan y.2 adalah β0=9. Tampilan Hasil Perhitungan Koefisien Regresi • Berdasarkan hasil perhitungan diketahui bahwa nilai koefisien model regresi berganda pada Contoh Kasus 3.4401. 44 .2190.4401 + 0. semakin kecil nilai x1 atau x2 akan diikuti dengan nilai y yang semakin kecil. indikasi awal ini tidaklah bermakna jika belum diketahui signifikansinya.6426 dan β3=0. Demikian sebaliknya. Hal ini berarti bahwa semakin besar nilai x1 atau x2 akan diikuti oleh kenaikan nilai y.Gambar 3.6426x1 + 0.

45 . 2.2 Analisis Varian pada Model Regresi Berganda Analisis varian pada model regresi berganda pada dasarnya sama dengan pada model regresi sederhana. Susun tabel input seperti Gambar 3.3. buatlah worksheet baru. Adapun proses analisis varian pada Contoh Kasus 3. Tampilan Input Anova Regresi Berganda 3. Keterangan input tabel • X’X didapat dari hasil perhitungan sebelumnya. Copy Cell M3:O5 pada Worksheet koefisien lalu klik Worksheet Anova.3.2.2 tersebut adalah sebagai berikut. 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. kemudian berilah nama Anova. sumbangan Gambar 3.2. Dengan menggunakan data pada Contoh Kasus 3. Klik kanan Cell B2 lalu pilih Paste Special kemudian pilih Paste Link.3.

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

Tentukan nilai F tabel • F Tabel = F(α. Tampilan Output Anova Regresi Berganda 13.C17.C17.4. Tentukan nilai Sig atau P(F) • Pada Cell G17 =FDIST(E17. Hitung nilai F hitung (Fc) • Fc = MSR/MSE Pada Cell E17 ketik formula =D17/D18 10. Dengan demikian. dapat disimpulkan bahwa keragaman variabel penduga memberikan sumbangan terhadap keragaman pada variabel bergantungnya. maka akan nampak hasil seperti Gambar 3.000.C18) ketik Formula 12.05.175 sedangkan nilai F tabel =3. Karena nilai F > Ftabel dan Sig <α.354 dan nilai P(F) atau sig =0. maka pada tingkat keyakinan 95% dapat dinyatakan bahwa nilai β 1 dan β 2 ≠ 0 .8. 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. Gambar 3. Jika langkah perhitungan benar.4.dfr. Untuk 47 .C18) 11. Pengambilan Keputusan Hasil analisis varian menunjukkan bahwa nilai F hitung sebesar 32.dfe) Pada Cell F17 ketik formula =FINV(0.

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

5. berikut ini akan dijelaskan langkah-langkah uji t.5. Buatlah Worksheet baru dan beri nama ttest. 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. susunlah input seperti Gambar 3.2.Nilai t untuk masing-masing parameter kemudian dibandingkan dengan t tabel atau dengan p(t) untuk mengetahui signifikansinya. Tampilan Input Uji t untuk Regresi Berganda 49 . Contoh Perhitungan Uji t: Dengan menggunakan Contoh Kasus 3. Gambar 3.

5 Pada Cell C21 ketik formula =D14^0.2. Copy E19. Copy Cell F19 lalu Paste ke Cell F20 dan F21 8.5 Pada Cell C20 ketik formula =C13^0. Isi nilai koefisien • • • • • • • • • • Pada Cell B19 ketik formula =G2 Pada Cell B20 ketik formula =G3 Pada Cell B21 ketik formula =G4 4.2). MSE dan dbe didapat dari hasil perhitungan Anova.$E$10.05. Hitung nilai t Pada Cell D19 ketik formula =(B19 -0)/C19 Pada Cell D20 ketik formula =(B20-0)/C20 Pada Cell D21 ketik formula =(B21-0)/C21 6. Keterangan input • • • Matriks X’X. Copy Cell B12 dan Paste ke Cell B13 sampai dengan D14. lalu Paste ke Cell E20 dan E21 7. Matriks ragam-peragam atau V(B) didapat dengan mengalikan matriks (X’X) dengan SSE. (X’X)-1 dan B adalah nilai yang didapat dari hasil perhitungan pada koefisien regresi. Hitung nilai t tabel Pada Cell E19 ketik formula =TINV(0. 3. Hitung nilai sig atau p(t) • Pada Cell F19 ketik formula =TDIST(D19.5 5. yaitu pada Cell B12 ketik formula =B6*$B$10.$E$10). Hitung nilai Confidence Interval (CI) dari masing-masing parameter 50 . Hitung nilai Standard Error (SE) Pada Cell C19 ketik formula =B12^0.

Pengambilan Keputusan Keputusan untuk β0: Berdasarkan hasil uji parameter dengan uji t diketahui bahwa nilai t hitung =1. maka akan nampak hasil seperti Gambar 3.6. maka dapat disimpulkan bahwa pada tingkat kepercayaan 95% β0=0. 51 . p(t)=0. nilai p(t)>α(0.319 sedangkan nilai t tabel =2. Gambar 3. Karena nilai t hitung < t tabel.248 ≤ β0 ≤ 24. hal ini menandakan bahwa garis regresi yang terbentuk melewati titik asal.05) dan pada CI di dalamnya terdapat nol. Copy Cell H19 lalu Paste ke Cell H20 dan H21 9.6.052. Jika perhitungan benar. Copy Cell G19 dan Paste ke Cell G20 dan G21 • Nilai Batas Atas (upper) Pada Cell H19 ketik formula =B19+C19*E19.198 serta pada CI sebesar -5.128. Tampilan Output Uji t untuk Regresi Linear Berganda 10.• Hitung nilai batas bawah (lower) Pada Cell G19 ketik formula =B19-C19*E19.

396 ≤ β1 ≤ 0.05).2.358 sedangkan t tabel =2. p(t)>α(0.Keputusan untuk β1: Berdasarkan uji t diketahui bahwa nilai t hitung =5. 52 .052. Namun demikian. Karena nilai t > t tabel.118 dan CI sebesar -0.000 dan CI sebesar 0. maka dapat disimpulkan bahwa nilai β1=0 yang berarti bahwa menurut persepsi pekerja. Keputusan untuk β2: Uji parameter terhadap β2 menunjukkan bahwa nilai t=1.614. Karena nilai t < t tabel. dan n adalah jumlah data yang digunakan. p(t) < α(0.059 ≤ β1 ≤ 0.05) dan pada CI di dalamnya tidak terdapat nol. kesungguhan seorang supervisor dalam mempelajari hal yang baru tidaklah menentukan performance seorang supervisor.497.4 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. p(t)=0. jumlah variabel penduga yang semakin banyak hingga xj akan memengaruhi nilai error seiring dengan bertambahnya nilai derajat bebas regresi. koefisien ini menyatakan kekuatan pengaruh variabel penduga secara bersamasama terhadap variabel bergantung. p(t)=0. k adalah banyak variabel. 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. 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.889. 3.

683 (1 − r 2 ) = 0. sedangkan sisanya sebesar 31. Koefisien korelasi ini dapat dibedakan menjadi koefisien korelasi yang mengabaikan xj atau r (xi|x0) yang kemudian dikenal dengan Zero-Order Corellations. SSR=3058. 3.3 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. n=30. koefisien korelasi dibedakan menjadi koefisien korelasi ganda dan parsial.091 dan SST=4341.200 3 −1 k −1 (1 − 0.30% dipengaruhi oleh variabel penduganya. Koefisien korelasi ganda menyatakan hubungan antara varibel bergantung dengan variabel penduga secara bersama-sama. koefisien korelasi dengan menjadikan xj sebagai pengoreksi r(xi|xj. dalam hal ini performance seorang supervisor 68. yaitu kemampuan dalam menangani komplain dan kesungguhannya untuk belajar hal yang baru.704 − 30 .x0) atau kemudian dikenal dengan Part Correlations serta koefisien korelasi yang menganggap variabel penduga lainnya konstan atau kemudian dikenal dengan Partial Corellations. Untuk menghitung Zero Order dan Part Corellation perlu disusun tabel Anova seperti pada Tabel 3.2. 53 .091 = = 0.70% dipengaruhi oleh faktor lain yang tidak diketahui.704) = 0.5 Perhitungan Koefisien Korelasi Ganda dan Parsial Dalam model regresi berganda.2 diketahui bahwa k=3.2. Sedangkan koefisien korelasi parsial menyatakan hubungan variabel bergantung dengan satu variabel penduga jika variabel penduga yang lain dianggap konstan atau tetap.704 SST 4341.200 maka nilai r2 dan adjusted r2 adalah: r2 = SSR 3058.

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

.. kemudian beri nama korelasi.... y = Cxi........ Susunlah input seperti Gambar 3...... y C xi..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 ⎟ ⎝ yx1 C yx 2 .......xiC yy Contoh perhitungan korelasi ganda dan parsial Dengan menggunakan data pada Contoh Kasus 3... 55 . B dan ΣY^2 adalah nilai yang didapat dari proses perhitungan pada worksheet koefisien regresi........... 3.. 1..C x 2 y ⎟ =C =⎜ ⎟ ⎜ .2.7.. berikut akan diberikan petunjuk perhitungan koefisien korelasi ganda dan parsial.......C yxk C yy ⎠ Korelasi parsial antara variabel xi dengan y atau Rxi y dapat dihitung dengan rumus: Rxi.. 2. C x 2 k .. X’Y. Buatlah Worksheet baru..... Keterangan input • Matriks X’X.C x1k C x1 y ⎞ ⎜ ⎟ ⎜ C x 2 x1 C x 2 x1 ....

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. tekan Ctrl+Shift+Enter secara bersama-sama 56 .7. Susunlah Matriks R-1 atau C • Blok Cell B22 sampai dengan D24 lalu ketik formula =MINVERSE(B18:D20).Gambar 3. 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. Susunlah Matriks R • • Pada Cell B18.5 • 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.

x1) =G6-G7 Nilai SSR(x2|x0) =I3^2/I2 Nilai SSR(x1|x0.x2) =G6-G9 pada Cell G7 ketik formula pada Cell G8 ketik formula pada Cell G9 ketik formula pada Cell G10 ketik formula 8. 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.B6:B8)-B6^2/B2 Nilai SSE.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 .x1) formula =1 Nilai df(x1|x0. pada Cell G11 ketik formula =G12-G6 Nilai SSR(x1|x0) =G3^2/G2 Nilai SSR(x2|x0. Hitung Degree of Freedom (Df) • • • • Perhitungan Df (x1.x2|x0) formula =3-1 Perhitungan Df (x2|x0. Hitung Sum of Square (SS) • • • • • • • Nilai SST B6^2/B2 pada Cell G12 ketik formula =B10- Nilai SSR(x1.x2|x0) pada Cell G6 ketik formula =MMULT(B16:D16.6.

x2|x0) =G6/H6 Nilai MS(x2|x0.H11) Nilai P(F)x2|x0.x1) =FINV(0.H11) 58 .05.x1) =G8/H8 Nilai MS(x1|x0.H11) pada Cell K6 ketik formula pada Cell K8 ketik formula Nilai Ftabek(x1|x0.H11) Nilai Ftabel(x2|x0.x1 pada Cell L8 ketik formula =FINV(0.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.x2 pada Cell L10 ketik formula =FINV(0.x2) =I10/I11 pada Cell J6 ketik formula pada Cell J8 ketik formula pada Cell J10 ketik formula 11.x2|x0 =FINV(0.05.H10. Hitung Nilai Mean Square (MS) Nilai MS(x1.• • • • • • • • Nilai dfe pada Cell H11 ketik formula =H12-H6 9.x2|x0) =I6/I11 Nilai F(x2|x0.x2|x0) =FINV(0. Hitung Nilai P(F) • • • pada Cell L6 ketik formula Nilai P(F) x1.H8.H8.05.H6. Hitung Nilai F tabel • • • Nilai F tabel (x1.05.05.05.x2) pada Cell K10 ketik formula =FINV(0.H11) Nilai P(F)x1|x0.H6.x1) =I8/I11 Nilai F(x1|x0. Hitung Nilai F Nilai F (x1.H11) 12.H10.

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 pada Cell Perhitungan zero order correlation X2 dengan Y pada Cell I20 ketik formula =(G9/G12)^0. Hitung nilai Zero Order Corellation Nilai zero order correlation X1 dengan Y I19 ketik formula =(G7/G12)^0.5) • Gambar 3.5 14.5) Perhitungan partial correlation untuk X2 dengan Y pada Cell I20 ketik formula =-D23/((D24*C23) ^0.5 15. Tampilan Keluaran Perhitungan Koefisien Korelasi Regresi Linear Berganda 59 .13.8.

Hitung nilai Part Corellation • • Perhitungan part correlation untuk X1 dengan Y pada Cell K19 ketik formula =(G10/G12)^0.x1) =2. Koefisien korelasi parsial x1 terhadap y adalah sebesar 0. Sumber variasi kemudian dipecah dengan cara menghitung nilai pengaruh x1 yang dikoreksi oleh x2 (x1|x0. Koefisien korelasi parsial kedua variabel bernilai positif. Sedangkan x2 atau kesungguhan seorang supervisor dalam mempelajari hal yang baru tidak menentukan performance seorang supervisor. di mana F(x2|x0.x2|x0) lebih dari F tabel. ini terjadi karena nilai β1 dan β2 bernilai positif. Dengan demikian.5 Perhitungan part correlation untuk X2 dengan Y pada Cell K20 ketik formula =(G8/G12)^0.705 > f tabel. 60 .297 yang menandakan bahwa hubungan antara variabel kesungguhan supervisor dalam mempelajari sesuatu yang baru dengan performace yang dimilikinya adalah 29. Sedangkan koefisien korelasi parsial x2 terhadap y sebesar 0. Jika langkah-langkah penyelesaian dilakukan dengan benar maka akan muncul hasil seperti Gambar 3.x2).718 yang berarti bahwa hubungan antara variabel kemampuan seorang supervisor dalam menangani komplain dengan performance supervisor 71.x1) memiliki pengaruh yang tidak signifikan terhadap y.8. Pengambilan keputusan Perhatikan pada bagian Anova. pada tabel tersebut diketahui bahwa x1 dan x2 secara bersama-sama memberikan pengaruh yang nyata terhadap y yang ditandai dengan nilai F hitung (x1. Pada bagian ini terlihat bahwa x1 memberikan pengaruh yang signifikan terhadap y karena F(x1|x0. 18.5 17.70% berbanding lurus.605 < F tabel. dapat disimpulkan bahwa x1 atau kemampuan dalam menangani komplain memiliki pengaruh yang signifikan terhadap performance seorang supervisor (y).x2) =28.80% berbanding lurus.16. Sebaliknya pengaruh x2 yang dikoreksi oleh x1 (x2|x0.

dapat diselesaikan dengan mudah menggunakan fasilitas MS Excel Add-Ins.9. 3. Susun data input seperti Gambar 3. Tahapan-tahapan penyelesaiannya adalah sebagai berikut: 1.9. pekerja mungkin lebih berharap seorang supervisor agar lebih mampu dalam menangani komplain yang mereka ajukan. Klik Data pada Toolbar Data Analysis OK. Gambar 3.3 Penyelesaian Regresi Linear Berganda dengan MS Excel Add-Ins Perhitungan Contoh Kasus 3. Dari kasus ini. Akan muncul jendela Regression.2.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 . Tampilan Data Input Regresi Berganda dengan MS Excel Add-Ins 2.

Tampilan Jendela Regression 3. Pada Input Y Range isi dengan $A$1:$A$31 (Blok Cell A1 sampai Cell A31). 4. Gambar 3. artinya output akan diletakkan pada Cell E1.11.11. sedangkan pada X range isi dengan $B$1:$C$31 (Blok Cell B1 sampai dengan Cell C31).Gambar 3. Klik OK akan muncul tampilan seperti Gambar 3.10. Aktifkan Labels dan Confidence level 95%. Pada Output Range isi $E$1 (klik Cell E1). Tampilan Hasil Penyelesaian Regresi Linear Berganda dengan MS Excel Add-Ins 62 . 6. 5.

440. Untuk β1 memiliki nilai t Stat atau t hitung sebesar 5.175 dan Significance F atau P(f) sebesar 0. Keterangan hasil keluaran Perhatikan bagian SUMMARY.000. sedangkan sisanya tidak dapat dijelaskan oleh model. Setelah dilakukan Uji-t. Pada bagian ANOVA memuat nilai F hitung sebesar 32. Pada bagian akhir memuat nilai Coefficients Intercept (β0) dengan hasil perhitungan sebesar 9. Dengan demikian. 8. diketahui bahwa hanya variabel x1 yang berpengaruh signifikan terhadap y. sedangkan kesungguhannya dalam mempelajari sesuatu yang baru.319 dengan nilai Pvalue atau P(t) sebesar 0.839 (koefisien korelasi ganda).683 (koefisien determinasi yang telah disesuaikan).2190x 2 Berdasarkan analisis varian.358 dan P-value atau P(t) sebesar 0.188 > α. Pengambilan keputusan Seperti halnya pada perhitungan manual diketahui bahwa model persamaan yang terbentuk adalah: ˆ y = 9.683 yang berarti bahwa 68. model tersebut bersifat signifikan dengan koefisien determinasi 0. Nilai t Stat untuk β0 adalah sebesar 1.643 dan Coefficients untuk x2 (β2) adalah sebesar 0. oleh mereka dianggap tidak menentukan performance yang dimilikinya.7.000 < α. Adjusted R Square sebesar 0.614 dengan P-value sebesar 0. bagian ini memuat nilai Multiple R dengan nilai 0. Coefficients untuk x1 (β1) sebesar 0.6426x1 + 0. 63 .4401 + 0.219. performance seorang supervisor dipengaruhi oleh kemampuannya dalam menangani komplain pekerjanya. menurut persepsi pekerja. sedangkan untuk β2 miliki t Stat 1.198 > α. RSquare sebesar 0.30% variasi pada y dapat dijelaskan dengan model.704 (koefisien determinasi yang belum disesuaikan). Nilai t Stat menyatakan nilai t hitung dan nilai P-value menyatakan nilai Sig atau P(t) yang dapat dibandingkan dengan nilai α.

Gambar 3.3. Tabel 3. Pada Variabel View buatlah tiga buah variabel dengan properti seperti Tabel 3.3. Properti Masing-Masing Variabel Variable Name y x1 x2 Type Numeric Numeric Numeric Decimal 0 0 0 2.12.12. Tampilan Data Input Regresi Linear Berganda dengan SPSS 64 . Adapun tahapan-tahapan penyelesaian regresi linear berganda dengan SPSS sebagai berikut: 1. Lakukan data input pada Contoh Kasus 4.2.4 Penyelesaian Regresi Linear Berganda dengan SPSS Contoh Kasus 3.3. seperti pada Gambar 3.2 juga dapat diselesaikan dengan mudah menggunakan SPSS.

Klik Continue lalu klik OK. 6.13. Linear. x1 Gambar 3. Gambar 3. pada bagian tersebut didapat nilai Adjusted R Square sebesar 0.683 dan koefisien korelasi ganda atau Multiple R sebesar 0.3. Predictors: (Constant). Tampilan Jendela Linear Regression: Statistics 7.839.839a R Square . Error of the Estimate 6.175 dengan P(F) atau Sig sebesar 0.000. Pada jendela tersebut aktifkan Part and Partial Correlations. Klik Analysis Regression Linear Regression.14. pada bagian ini didapat nilai F hitung sebesar 32.894 a.704 Adjusted R Square . Tampilan Keluaran Model Summary pada SPSS 9. sedangkan x1 dan x2 ke bagian Independent(s). Perhatikan bagian Anova. Klik variabel y dan masukkan ke bagian Dependent. 5.683 Std. Akan muncul jendela 4. Perhatikan bagian model Summary. Klik Statistics maka akan muncul jendela Linear Regression: Statistics. 65 . 8. Model Summary Model 1 R . x2.

210 1.118 dan koefisien korelasi parsial sebesar 0.000a Regression Residual Total a. x2.136 .198 -5.718.319.059 .219 dengant t hitung sebesar 1.120 .358.718 . Pada kesempatan ini akan dicoba 66 .440 7. Tampilan Keluaran Anova pada SPSS 10. ower Bound Upper Bound Zero-order Partial Part .169 Gambar 3.697 5.44 dengan t hitung sebesar 1.200 df 2 27 29 Mean Square 1529. Perhatikan bagian Coefficients.497 . 3.198.889 .159 1. pada bagian ini didapat nilai β0=9.5 Materi Pengayaan: Pengenalan Metode Backward dengan SPSS untuk Regresi Linear Berganda Penyelesaian Contoh Kasus 3.118 -. Silakan dicocokkan hasil perhitungan SPSS dengan perhitungan secara manual untuk memudahkan dalam pengambilan keputusan.000 .4 tersebut dilakukan menggunakan metode Enter.297. Nilai β1= 0.625 . Sig 0.523 F 32.16. a Coefficients Unstandardized Standardized Coefficients Coefficients Mode B Std.219 . x1 b.Dependent Variable: y % Confidence Interval fo Correlations Sig. .396 .175 Sig. Predictors: (Constant).15.2 dengan SPSS dalam Subbab 3.643 dengan t hitung sebesar 5.614 a.561 . Sig 0.109 4341. Dependent Variable: y Gambar 3. Pada metode Enter penyelesaian regresi tidak mempertimbangkan ada tidaknya variabel yang dikeluarkan dari model.000 dan Korelasi Parsial sebesar 0. Sedangkan nilai β1=0.614. Tampilan Keluaran Coefficients pada SPSS 11.643 .128 . Error Beta t 1 (Constan 9.319 x1 .248 24.297 .ANOVAb Model 1 Sum of Squares 3058. Sig atau p(t)=0.091 1283.358 x2 .046 47.822 .

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

Dependent Variable: y Confidence Interval f Correlations Sig.894 7.248 24.219 .902 . Tampilan Keluaran Anova Metode Backward a Coefficients Unstandardized tandardized Coefficients Coefficients Mode B Std.045 .000 .561 .697 5.159 1.091 1283.642 a.664 Std.18.000 .297 .822 Gambar 3. .19. Predictors: (Constant).112 6.397 . Anova.169 .614 2 (Consta14.285 50. Model Summary Model 1 2 R .822 . serta Exclude Variables. Akan muncul Model Summary.704 .555 .9.961 .118 -. Error Beta t 1 (Consta 9.822 . x2.128 .358 x2 .396 .096 x1 . x1 c.643 .000a 2 Regression Residual Total Regression Residual Total 58.523 2934.120 .497 . Predictors: (Constant).200 2934.20.915 4341.440 7.046 47.676 Adjusted R Square .099 . x1 Gambar 3.136 .839a . Tampilan Keluaran Coefficients Metode Backward 68 .732 2.822 7.089 a.175 Sig. Dependent Variable: y Gambar 3. ower Bounpper Boun Zero-orde Partial Part .285 1406.198 -5. Predictors: (Constant).109 4341.321 27.247 F 32.319 x1 . x2. Predictors: (Constant).059 . x1 b.758 .889 .625 . Error of the Estimate 6.822 . Tampilan Keluaran Model Summary Metode Backward ANOVAc Model 1 Sum of Squares 3058.000b a.683 . Coefficients.210 1.200 df 2 27 29 1 28 29 Mean Square 1529.718 .822b R Square . x1 b.

yaitu terdiri atas bagian Model Summary. Tampilan Keluaran Excluded Variables Metode Backward 10. Dependent Variable: y Gambar 3.297 Collinearity Statistics Tolerance . Pada bagian Summary terlihat bahwa model pertama memiliki R Square sebesar 0. koefisien β0 juga mengalami perubahan dari 1.112 + 0.118 Partial Correlation . Oleh karenanya dalam hal ini keluaran SPSS kemudian dibagi menjadi dua Bagian. Predictors in the Model: (Constant).2190x 2 (Model a) Sedangkan model kedua memiliki bentuk persamaan: ˆ y = 14.614 Sig. Bagian kedua adalah model hanya mempertahankan x1 dan mengeluarkan x2 (model b). x1 b. Anova dan Coefficients. Sedangkan hasil pembacaan pada bagian Coefficients dapat disimpulkan bahwa model pertama memiliki bentuk persamaan: ˆ y = 9. Pada bagian pertama menggambarkan model dengan x1 dan x2 masih digunakan secara bersama-sama dalam persamaan regresi (model a).21.319 menjadi 2. .646 a.4401 + 0. Pada bagian akhir hasil analisis terlihat bahwa ada variabel yang dikeluarkan.676 (lihat nilai R Square model kedua). Penjelasan tentang keluaran Keluaran hasil analisis pada dasarnya sama dengan metode Enter.045 atau signifikan.758x1 (Model b) Selain R-square mengalami perubahan. sedangkan model kedua memiliki R Square sebesar 0.683 (lihat nilai Adjusted R Square model pertama). Namun pada metode Backward keluaran dipilah-pilah berdasarkan model setelah diproses ada tidaknya variabel yang dikeluarkan.b Excluded Variables Model 2 x2 Beta In .210a t 1. Pertanyaan yang 69 . yaitu x2.198 menjadi 0.096 dengan Sig dari 0.6426x 1 + 0.

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

Sign up to vote on this title
UsefulNot useful