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 B32. 6. lalu Paste ke Cell G3 sampai dengan Cell G31. 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 . Pada Cell I2 ketik formula =B2*D2. Pada Cell F2 ketik Formula =C2^2 kemudian Copy Cell F2. lalu Paste ke Cell F3 sampai dengan Cell F1. Pada Cell H2 ketik formula =B2*C2. lalu Paste ke Cell C32 sampai dengan Cell J32. 7. lalu Paste ke Cell I3 sampai dengan Cell I31. lalu Paste ke Cell H3 sampai dengan Cell H31. Pada Cell J2 ketik formula =C2*D2. 4.2. lalu Paste ke Cell I3 sampai dengan Cell H31. Pada Cell E2 ketik formula =B2^2 kemudian Copy Cell E2. 10. 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 G2 ketik formula =D2^2 kemudian Copy Cell G2. 3. Cell F32 = ∑x i =1 n i1 2 ∑x i =1 n 42 . Pada Cell B32 ketik formula = SUM (B2:B31). 5. lalu Paste ke Cell E3 sampai dengan Cell E31. Pada Cell A32 ketik formula =COUNT(A2:A31) 9. kemudian Copy Cell H2. kemudian Copy Cell I2. 8.

M12:H14) Tekan tombol bersama-sama ketik formula secara CTRL+SHIFT+ENTER 15. β1 dan β3 Blok Cell M16:M18 lalu =MMULT(M8:O10. 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. 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 .2. Cell I32 = ∑ i =1 n x i2 y i dan Cell J32 = ∑x i =1 n i1 x i2 11. Hitung nilai β0. 43 .

2 adalah β0=9. Seperti halnya pada pembahasan regresi linear sederhana. Tampilan Hasil Perhitungan Koefisien Regresi • Berdasarkan hasil perhitungan diketahui bahwa nilai koefisien model regresi berganda pada Contoh Kasus 3. 44 . Sehingga model regresi berganda dapat ditulis dengan persamaan: ˆ y = 9. baik x1 dan x2 memiliki hubungan yang berbanding lurus dengan y.2190.Gambar 3.6426x1 + 0. indikasi awal ini tidaklah bermakna jika belum diketahui signifikansinya. Demikian sebaliknya.4401 + 0. Hal ini berarti bahwa semakin besar nilai x1 atau x2 akan diikuti oleh kenaikan nilai y.4401.2. 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. β1=0. semakin kecil nilai x1 atau x2 akan diikuti dengan nilai y yang semakin kecil.6426 dan β3=0.

45 .3. Tampilan Input Anova Regresi Berganda 3.3.3. Copy Cell M3:O5 pada Worksheet koefisien lalu klik Worksheet Anova.2. 2. sumbangan Gambar 3. Klik kanan Cell B2 lalu pilih Paste Special kemudian pilih Paste Link. 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. Dengan menggunakan data pada Contoh Kasus 3. Keterangan input tabel • X’X didapat dari hasil perhitungan sebelumnya. Adapun proses analisis varian pada Contoh Kasus 3.2 tersebut adalah sebagai berikut. buatlah worksheet baru. Susun tabel input seperti Gambar 3. kemudian berilah nama Anova.2 Analisis Varian pada Model Regresi Berganda Analisis varian pada model regresi berganda pada dasarnya sama dengan pada model regresi sederhana.2.

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

C18) 11. Tentukan nilai Sig atau P(F) • Pada Cell G17 =FDIST(E17.175 sedangkan nilai F tabel =3.354 dan nilai P(F) atau sig =0.05. maka akan nampak hasil seperti Gambar 3.000. Untuk 47 . Karena nilai F > Ftabel dan Sig <α. maka pada tingkat keyakinan 95% dapat dinyatakan bahwa nilai β 1 dan β 2 ≠ 0 .4. 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. Pengambilan Keputusan Hasil analisis varian menunjukkan bahwa nilai F hitung sebesar 32.dfe) Pada Cell F17 ketik formula =FINV(0. Hitung nilai F hitung (Fc) • Fc = MSR/MSE Pada Cell E17 ketik formula =D17/D18 10.C18) ketik Formula 12. Tampilan Output Anova Regresi Berganda 13.8.4. Tentukan nilai F tabel • F Tabel = F(α.dfr.C17. Jika langkah perhitungan benar.C17. Dengan demikian. Gambar 3. dapat disimpulkan bahwa keragaman variabel penduga memberikan sumbangan terhadap keragaman pada variabel bergantungnya.

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

susunlah input seperti Gambar 3. Tampilan Input Uji t untuk Regresi Berganda 49 .5. Buatlah Worksheet baru dan beri nama ttest.2. berikut ini akan dijelaskan langkah-langkah uji t. 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: 1.5.Nilai t untuk masing-masing parameter kemudian dibandingkan dengan t tabel atau dengan p(t) untuk mengetahui signifikansinya. Gambar 3. Contoh Perhitungan Uji t: Dengan menggunakan Contoh Kasus 3.

5 Pada Cell C21 ketik formula =D14^0.5 Pada Cell C20 ketik formula =C13^0. Copy E19. Copy Cell F19 lalu Paste ke Cell F20 dan F21 8. Isi nilai koefisien • • • • • • • • • • Pada Cell B19 ketik formula =G2 Pada Cell B20 ketik formula =G3 Pada Cell B21 ketik formula =G4 4. lalu Paste ke Cell E20 dan E21 7.$E$10). Hitung nilai t Pada Cell D19 ketik formula =(B19 -0)/C19 Pada Cell D20 ketik formula =(B20-0)/C20 Pada Cell D21 ketik formula =(B21-0)/C21 6.05. Hitung nilai Standard Error (SE) Pada Cell C19 ketik formula =B12^0. Keterangan input • • • Matriks X’X. Hitung nilai t tabel Pada Cell E19 ketik formula =TINV(0. 3. yaitu pada Cell B12 ketik formula =B6*$B$10. Matriks ragam-peragam atau V(B) didapat dengan mengalikan matriks (X’X) dengan SSE.2. (X’X)-1 dan B adalah nilai yang didapat dari hasil perhitungan pada koefisien regresi.$E$10. MSE dan dbe didapat dari hasil perhitungan Anova. Hitung nilai sig atau p(t) • Pada Cell F19 ketik formula =TDIST(D19. Copy Cell B12 dan Paste ke Cell B13 sampai dengan D14.2).5 5. Hitung nilai Confidence Interval (CI) dari masing-masing parameter 50 .

Karena nilai t hitung < t tabel.198 serta pada CI sebesar -5. 51 .128. Jika perhitungan benar. Tampilan Output Uji t untuk Regresi Linear Berganda 10. Gambar 3.248 ≤ β0 ≤ 24. nilai p(t)>α(0. p(t)=0. Pengambilan Keputusan Keputusan untuk β0: Berdasarkan hasil uji parameter dengan uji t diketahui bahwa nilai t hitung =1.05) dan pada CI di dalamnya terdapat nol. Copy Cell G19 dan Paste ke Cell G20 dan G21 • Nilai Batas Atas (upper) Pada Cell H19 ketik formula =B19+C19*E19. maka akan nampak hasil seperti Gambar 3. Copy Cell H19 lalu Paste ke Cell H20 dan H21 9.6.6. hal ini menandakan bahwa garis regresi yang terbentuk melewati titik asal.052.319 sedangkan nilai t tabel =2.• Hitung nilai batas bawah (lower) Pada Cell G19 ketik formula =B19-C19*E19. maka dapat disimpulkan bahwa pada tingkat kepercayaan 95% β0=0.

2.05) dan pada CI di dalamnya tidak terdapat nol. 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. p(t) < α(0. p(t)=0.000 dan CI sebesar 0. 52 .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.Keputusan untuk β1: Berdasarkan uji t diketahui bahwa nilai t hitung =5.889.118 dan CI sebesar -0. maka dapat disimpulkan bahwa nilai β1=0 yang berarti bahwa menurut persepsi pekerja.614. jumlah variabel penduga yang semakin banyak hingga xj akan memengaruhi nilai error seiring dengan bertambahnya nilai derajat bebas regresi.052.05). 3. kesungguhan seorang supervisor dalam mempelajari hal yang baru tidaklah menentukan performance seorang supervisor. Oleh karena itu. dan n adalah jumlah data yang digunakan. Karena nilai t < t tabel. 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. p(t)>α(0. koefisien ini menyatakan kekuatan pengaruh variabel penduga secara bersamasama terhadap variabel bergantung.396 ≤ β1 ≤ 0. Namun demikian.059 ≤ β1 ≤ 0. k adalah banyak variabel.358 sedangkan t tabel =2. Keputusan untuk β2: Uji parameter terhadap β2 menunjukkan bahwa nilai t=1.497. Karena nilai t > t tabel.

SSR=3058.5 Perhitungan Koefisien Korelasi Ganda dan Parsial Dalam model regresi berganda.70% dipengaruhi oleh faktor lain yang tidak diketahui.704) = 0.2.683 (1 − r 2 ) = 0.091 = = 0. 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 3058.2 diketahui bahwa k=3. 3. dalam hal ini performance seorang supervisor 68. 53 . yaitu kemampuan dalam menangani komplain dan kesungguhannya untuk belajar hal yang baru. Koefisien korelasi ganda menyatakan hubungan antara varibel bergantung dengan variabel penduga secara bersama-sama.704 − 30 . koefisien korelasi dengan menjadikan xj sebagai pengoreksi r(xi|xj.Contoh Perhitungan Dengan menggunakan Contoh Kasus 3.200 3 −1 k −1 (1 − 0.x0) atau kemudian dikenal dengan Part Correlations serta koefisien korelasi yang menganggap variabel penduga lainnya konstan atau kemudian dikenal dengan Partial Corellations. sedangkan sisanya sebesar 31.091 dan SST=4341.2.704 SST 4341. n=30. Untuk menghitung Zero Order dan Part Corellation perlu disusun tabel Anova seperti pada Tabel 3. Sedangkan koefisien korelasi parsial menyatakan hubungan variabel bergantung dengan satu variabel penduga jika variabel penduga yang lain dianggap konstan atau tetap.3 n-k Adjusted r 2 = r 2 − Dari hasil perhitungan di atas dapat dijelaskan bahwa variasi yang terjadi pada variabel bergantung.30% dipengaruhi oleh variabel penduganya. koefisien korelasi dibedakan menjadi koefisien korelasi ganda dan parsial.

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

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

5 • Hitung korelasi antara X2 dan Y Pada Cell D19 dan C20 ketik formula =(B8D2*B6/B2)/((D4-D2^2/B2)*(B10B6^2/B2))^0.7.5 5. 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.Gambar 3. Susunlah Matriks R-1 atau C • Blok Cell B22 sampai dengan D24 lalu ketik formula =MINVERSE(B18:D20). Tampilan Input Perhitungan Koefisien Korelasi Regresi Berganda 4. 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. Susunlah Matriks R • • Pada Cell B18.

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 . 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.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 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.x2|x0) pada Cell G6 ketik formula =MMULT(B16:D16.B6:B8)-B6^2/B2 Nilai SSE.x2|x0) formula =3-1 Perhitungan Df (x2|x0.x1) =G6-G7 Nilai SSR(x2|x0) =I3^2/I2 Nilai SSR(x1|x0.6.

05.H10.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 10.05.05.H11) Nilai Ftabel(x2|x0. Hitung Nilai F Nilai F (x1. Hitung Nilai F tabel • • • Nilai F tabel (x1.x2) pada Cell K10 ketik formula =FINV(0. Hitung Nilai P(F) • • • pada Cell L6 ketik formula Nilai P(F) x1.H6.05.x2|x0) =FINV(0.x1) =G8/H8 Nilai MS(x1|x0.x1) =FINV(0. Hitung Nilai Mean Square (MS) Nilai MS(x1.x2|x0) =I6/I11 Nilai F(x2|x0.H8.05.H10.x2 pada Cell L10 ketik formula =FINV(0.x2|x0) =G6/H6 Nilai MS(x2|x0.H11) pada Cell K6 ketik formula pada Cell K8 ketik formula Nilai Ftabek(x1|x0.05.x2|x0 =FINV(0.x1) =I8/I11 Nilai F(x1|x0.H11) Nilai P(F)x1|x0.x2) =I10/I11 pada Cell J6 ketik formula pada Cell J8 ketik formula pada Cell J10 ketik formula 11.H8.• • • • • • • • Nilai dfe pada Cell H11 ketik formula =H12-H6 9.H6.H11) 12.H11) Nilai P(F)x2|x0.H11) 58 .

8.5 15. Tampilan Keluaran Perhitungan Koefisien Korelasi Regresi Linear Berganda 59 .13. Hitung nilai koefisien korelasi ganda • • • Pada Cell I14 ketik formula =(G6/G12)^0.5) • Gambar 3.5) Perhitungan partial correlation untuk X2 dengan Y pada Cell I20 ketik formula =-D23/((D24*C23) ^0.5 14. Hitung nilai Partial Corellation • Perhitungan partial correlation untuk X1 dengan Y pada Cell J19 ketik formula =-D22/((B22*D24) ^0. Hitung nilai Zero Order Corellation Nilai zero order correlation X1 dengan Y I19 ketik formula =(G7/G12)^0.5 pada Cell Perhitungan zero order correlation X2 dengan Y pada Cell I20 ketik formula =(G9/G12)^0.

Jika langkah-langkah penyelesaian dilakukan dengan benar maka akan muncul hasil seperti Gambar 3. ini terjadi karena nilai β1 dan β2 bernilai positif. 18.x2|x0) lebih dari F tabel.8. Pengambilan keputusan Perhatikan pada bagian Anova.16. Koefisien korelasi parsial x1 terhadap y adalah sebesar 0. Dengan demikian.5 17.x2) =28.718 yang berarti bahwa hubungan antara variabel kemampuan seorang supervisor dalam menangani komplain dengan performance supervisor 71. di mana F(x2|x0.297 yang menandakan bahwa hubungan antara variabel kesungguhan supervisor dalam mempelajari sesuatu yang baru dengan performace yang dimilikinya adalah 29.70% berbanding lurus. Sumber variasi kemudian dipecah dengan cara menghitung nilai pengaruh x1 yang dikoreksi oleh x2 (x1|x0.705 > f tabel.80% berbanding lurus. Pada bagian ini terlihat bahwa x1 memberikan pengaruh yang signifikan terhadap y karena F(x1|x0. Koefisien korelasi parsial kedua variabel bernilai positif.x1) memiliki pengaruh yang tidak signifikan terhadap y.x2). Sedangkan koefisien korelasi parsial x2 terhadap y sebesar 0. Sebaliknya pengaruh x2 yang dikoreksi oleh x1 (x2|x0. Hitung nilai Part Corellation • • Perhitungan part correlation untuk X1 dengan Y pada Cell K19 ketik formula =(G10/G12)^0. dapat disimpulkan bahwa x1 atau kemampuan dalam menangani komplain memiliki pengaruh yang signifikan terhadap performance seorang supervisor (y). 60 . pada tabel tersebut diketahui bahwa x1 dan x2 secara bersama-sama memberikan pengaruh yang nyata terhadap y yang ditandai dengan nilai F hitung (x1.605 < F tabel. Sedangkan x2 atau kesungguhan seorang supervisor dalam mempelajari hal yang baru tidak menentukan performance seorang supervisor.x1) =2.5 Perhitungan part correlation untuk X2 dengan Y pada Cell K20 ketik formula =(G8/G12)^0.

dapat diselesaikan dengan mudah menggunakan fasilitas MS Excel Add-Ins.3 Penyelesaian Regresi Linear Berganda dengan MS Excel Add-Ins Perhitungan Contoh Kasus 3. Susun data input seperti Gambar 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. Gambar 3. Tahapan-tahapan penyelesaiannya adalah sebagai berikut: 1. Regression 61 . 3.9. Tampilan Data Input Regresi Berganda dengan MS Excel Add-Ins 2. pekerja mungkin lebih berharap seorang supervisor agar lebih mampu dalam menangani komplain yang mereka ajukan.9. Klik Data pada Toolbar Data Analysis OK.

sedangkan pada X range isi dengan $B$1:$C$31 (Blok Cell B1 sampai dengan Cell C31). Tampilan Hasil Penyelesaian Regresi Linear Berganda dengan MS Excel Add-Ins 62 . Tampilan Jendela Regression 3. Pada Output Range isi $E$1 (klik Cell E1). Aktifkan Labels dan Confidence level 95%.Gambar 3. Pada Input Y Range isi dengan $A$1:$A$31 (Blok Cell A1 sampai Cell A31). 5. Gambar 3. Klik OK akan muncul tampilan seperti Gambar 3. artinya output akan diletakkan pada Cell E1.11.11. 4.10. 6.

sedangkan kesungguhannya dalam mempelajari sesuatu yang baru. Pada bagian ANOVA memuat nilai F hitung sebesar 32. RSquare sebesar 0.440. menurut persepsi pekerja. sedangkan sisanya tidak dapat dijelaskan oleh model.683 (koefisien determinasi yang telah disesuaikan). Keterangan hasil keluaran Perhatikan bagian SUMMARY.643 dan Coefficients untuk x2 (β2) adalah sebesar 0. Pada bagian akhir memuat nilai Coefficients Intercept (β0) dengan hasil perhitungan sebesar 9. performance seorang supervisor dipengaruhi oleh kemampuannya dalam menangani komplain pekerjanya.4401 + 0.198 > α. Untuk β1 memiliki nilai t Stat atau t hitung sebesar 5.6426x1 + 0. Nilai t Stat menyatakan nilai t hitung dan nilai P-value menyatakan nilai Sig atau P(t) yang dapat dibandingkan dengan nilai α.704 (koefisien determinasi yang belum disesuaikan). model tersebut bersifat signifikan dengan koefisien determinasi 0.219.319 dengan nilai Pvalue atau P(t) sebesar 0.000. Dengan demikian. Setelah dilakukan Uji-t. oleh mereka dianggap tidak menentukan performance yang dimilikinya.30% variasi pada y dapat dijelaskan dengan model. Adjusted R Square sebesar 0. diketahui bahwa hanya variabel x1 yang berpengaruh signifikan terhadap y.000 < α.2190x 2 Berdasarkan analisis varian. 8.614 dengan P-value sebesar 0. Pengambilan keputusan Seperti halnya pada perhitungan manual diketahui bahwa model persamaan yang terbentuk adalah: ˆ y = 9.175 dan Significance F atau P(f) sebesar 0. Coefficients untuk x1 (β1) sebesar 0. bagian ini memuat nilai Multiple R dengan nilai 0. Nilai t Stat untuk β0 adalah sebesar 1.7.839 (koefisien korelasi ganda).358 dan P-value atau P(t) sebesar 0.683 yang berarti bahwa 68. sedangkan untuk β2 miliki t Stat 1. 63 .188 > α.

12. Gambar 3. Tampilan Data Input Regresi Linear Berganda dengan SPSS 64 . Properti Masing-Masing Variabel Variable Name y x1 x2 Type Numeric Numeric Numeric Decimal 0 0 0 2.2. Tabel 3.12. seperti pada Gambar 3. Lakukan data input pada Contoh Kasus 4.2 juga dapat diselesaikan dengan mudah menggunakan SPSS. Adapun tahapan-tahapan penyelesaian regresi linear berganda dengan SPSS sebagai berikut: 1. Pada Variabel View buatlah tiga buah variabel dengan properti seperti Tabel 3.4 Penyelesaian Regresi Linear Berganda dengan SPSS Contoh Kasus 3.3.3.3.

pada bagian ini didapat nilai F hitung sebesar 32. x2. x1 Gambar 3.839a R Square . Gambar 3. Klik variabel y dan masukkan ke bagian Dependent.3. sedangkan x1 dan x2 ke bagian Independent(s). pada bagian tersebut didapat nilai Adjusted R Square sebesar 0. Klik Statistics maka akan muncul jendela Linear Regression: Statistics. 5. 6. Pada jendela tersebut aktifkan Part and Partial Correlations. Klik Continue lalu klik OK.14.000.704 Adjusted R Square . Model Summary Model 1 R . Tampilan Keluaran Model Summary pada SPSS 9.683 Std. Klik Analysis Regression Linear Regression.683 dan koefisien korelasi ganda atau Multiple R sebesar 0. Predictors: (Constant). Tampilan Jendela Linear Regression: Statistics 7. Perhatikan bagian Anova. Perhatikan bagian model Summary. 65 .13. Error of the Estimate 6.894 a.839.175 dengan P(F) atau Sig sebesar 0. 8. Akan muncul jendela 4. Linear.

Nilai β1= 0.319 x1 .15. Predictors: (Constant). 3.248 24.297 . Dependent Variable: y Gambar 3.198 -5. pada bagian ini didapat nilai β0=9.358 x2 . Pada kesempatan ini akan dicoba 66 .118 -.822 .175 Sig. a Coefficients Unstandardized Standardized Coefficients Coefficients Mode B Std. Tampilan Keluaran Coefficients pada SPSS 11. Perhatikan bagian Coefficients.118 dan koefisien korelasi parsial sebesar 0.561 .297.059 .523 F 32.643 . Error Beta t 1 (Constan 9. x2.358. Sig atau p(t)=0.219 dengant t hitung sebesar 1.Dependent Variable: y % Confidence Interval fo Correlations Sig. Tampilan Keluaran Anova pada SPSS 10. .16.128 .44 dengan t hitung sebesar 1.625 .159 1.497 .440 7.396 .643 dengan t hitung sebesar 5. Pada metode Enter penyelesaian regresi tidak mempertimbangkan ada tidaknya variabel yang dikeluarkan dari model.046 47. Sedangkan nilai β1=0.000a Regression Residual Total a.219 .614.091 1283.169 Gambar 3.000 dan Korelasi Parsial sebesar 0.319.000 .200 df 2 27 29 Mean Square 1529.718.614 a.120 . x1 b. Sig 0. ower Bound Upper Bound Zero-order Partial Part .210 1.889 . Sig 0.198.2 dengan SPSS dalam Subbab 3.136 . Silakan dicocokkan hasil perhitungan SPSS dengan perhitungan secara manual untuk memudahkan dalam pengambilan keputusan.109 4341.697 5.5 Materi Pengayaan: Pengenalan Metode Backward dengan SPSS untuk Regresi Linear Berganda Penyelesaian Contoh Kasus 3.718 .4 tersebut dilakukan menggunakan metode Enter.ANOVAb Model 1 Sum of Squares 3058.

4. Tampilan Linear Regression 4. Klik Statistics akan muncul jendela Linear Regression Statistics. 6. Masukkan input seperti pada Subbab 3.dijelaskan tentang penggunaan metode Backward. 3. Klik Analysis. Pada bagian Method pilihlah Backward.4. Gambar 3. 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. 5. kemudian klik x1 dan x2 lalu masukkan ke Independent(s). Model Fit dan Part And Partial Corellations. Pada bagian Regression Coefficients aktifkan Estimate. lalu pilih Regression maka muncul jendela Linear Regression. 8. Klik y lalu masukkan ke Dependent.17. 7. 2. Klik Continue lalu klik OK. Confidence Intervals. 67 . Susun variabel input dengan properti seperti Tabel 3.

961 .136 .915 4341.Dependent Variable: y Confidence Interval f Correlations Sig.822 Gambar 3.20.19.561 .099 .18.732 2.000 . x1 b. Coefficients.643 . Model Summary Model 1 2 R .096 x1 .9.683 .625 .159 1.089 a.285 1406.664 Std. Error of the Estimate 6.523 2934.319 x1 . ower Bounpper Boun Zero-orde Partial Part .247 F 32.902 .000a 2 Regression Residual Total Regression Residual Total 58.118 -. Dependent Variable: y Gambar 3. x1 Gambar 3.045 .839a .396 .175 Sig.200 2934.358 x2 .200 df 2 27 29 1 28 29 Mean Square 1529. x2.440 7.889 .000b a.210 1.697 5. Predictors: (Constant).248 24.614 2 (Consta14.676 Adjusted R Square .822 . x1 c.297 . Predictors: (Constant).112 6.091 1283. Predictors: (Constant).285 50. .758 . Tampilan Keluaran Coefficients Metode Backward 68 .198 -5.120 .059 . x1 b. serta Exclude Variables.000 . Predictors: (Constant). x2.718 .642 a.109 4341. Tampilan Keluaran Model Summary Metode Backward ANOVAc Model 1 Sum of Squares 3058.321 27.497 .822 .822 7. Akan muncul Model Summary.822b R Square . Tampilan Keluaran Anova Metode Backward a Coefficients Unstandardized tandardized Coefficients Coefficients Mode B Std.169 .046 47.822 .894 7.219 . Error Beta t 1 (Consta 9.555 .397 .128 .704 . Anova.

198 menjadi 0. Dependent Variable: y Gambar 3.210a t 1.096 dengan Sig dari 0. Predictors in the Model: (Constant). Bagian kedua adalah model hanya mempertahankan x1 dan mengeluarkan x2 (model b). yaitu x2. koefisien β0 juga mengalami perubahan dari 1. x1 b.112 + 0.4401 + 0.045 atau signifikan.6426x 1 + 0.758x1 (Model b) Selain R-square mengalami perubahan.118 Partial Correlation .319 menjadi 2. Penjelasan tentang keluaran Keluaran hasil analisis pada dasarnya sama dengan metode Enter. Tampilan Keluaran Excluded Variables Metode Backward 10. Sedangkan hasil pembacaan pada bagian Coefficients dapat disimpulkan bahwa model pertama memiliki bentuk persamaan: ˆ y = 9.614 Sig.683 (lihat nilai Adjusted R Square model pertama).297 Collinearity Statistics Tolerance . . Pertanyaan yang 69 . Pada bagian pertama menggambarkan model dengan x1 dan x2 masih digunakan secara bersama-sama dalam persamaan regresi (model a).646 a.b Excluded Variables Model 2 x2 Beta In . Anova dan Coefficients. Oleh karenanya dalam hal ini keluaran SPSS kemudian dibagi menjadi dua Bagian.2190x 2 (Model a) Sedangkan model kedua memiliki bentuk persamaan: ˆ y = 14. Namun pada metode Backward keluaran dipilah-pilah berdasarkan model setelah diproses ada tidaknya variabel yang dikeluarkan. Pada bagian akhir hasil analisis terlihat bahwa ada variabel yang dikeluarkan. Pada bagian Summary terlihat bahwa model pertama memiliki R Square sebesar 0. sedangkan model kedua memiliki R Square sebesar 0.676 (lihat nilai R Square model kedua).21. yaitu terdiri atas bagian Model Summary.

Atau juga harus dipastikan apakah data yang ada benar-benar representasi linear? 70 . Namun. 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.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 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