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

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

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. 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. Cell I32 = ∑ i =1 n x i2 y i dan Cell J32 = ∑x i =1 n i1 x i2 11. Apabila langkah perhitungan dilakukan dengan benar. Hitung nilai β0.• Nilai pada Cell H32 = ∑x i =1 n i1 y i . maka akan diperoleh hasil seperti Gambar 3. 43 .2.M12:H14) Tekan tombol bersama-sama ketik formula secara CTRL+SHIFT+ENTER 15.

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. Seperti halnya pada pembahasan regresi linear sederhana.6426 dan β3=0.4401 + 0. β1=0.2190. Sehingga model regresi berganda dapat ditulis dengan persamaan: ˆ y = 9. Demikian sebaliknya. baik x1 dan x2 memiliki hubungan yang berbanding lurus dengan y.6426x1 + 0. Hal ini berarti bahwa semakin besar nilai x1 atau x2 akan diikuti oleh kenaikan nilai y. Oleh karena itu perlu dilakukan Uji dengan Anova dan Uji t terhadap model persamaan tersebut.2.2190x 2 • Dari model tersebut diketahui bahwa nilai β1dan β1 bernilai positif yang memberikan indikasi awal. 44 . semakin kecil nilai x1 atau x2 akan diikuti dengan nilai y yang semakin kecil.Gambar 3.2 adalah β0=9.

2. 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. buatlah worksheet baru. Dengan menggunakan data pada Contoh Kasus 3.2 tersebut adalah sebagai berikut.2. Tampilan Input Anova Regresi Berganda 3. 45 . Adapun proses analisis varian pada Contoh Kasus 3.3. sumbangan Gambar 3. Copy Cell M3:O5 pada Worksheet koefisien lalu klik Worksheet Anova. Keterangan input tabel • X’X didapat dari hasil perhitungan sebelumnya. 2.3. Susun tabel input seperti Gambar 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. Klik kanan Cell B2 lalu pilih Paste Special kemudian pilih Paste Link.3.

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

dfr.C17.C17. Tampilan Output Anova Regresi Berganda 13. dapat disimpulkan bahwa keragaman variabel penduga memberikan sumbangan terhadap keragaman pada variabel bergantungnya. 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 9.000. Karena nilai F > Ftabel dan Sig <α.C18) 11. Gambar 3.4. Tentukan nilai F tabel • F Tabel = F(α. Jika langkah perhitungan benar.4. maka pada tingkat keyakinan 95% dapat dinyatakan bahwa nilai β 1 dan β 2 ≠ 0 . maka akan nampak hasil seperti Gambar 3. Dengan demikian.354 dan nilai P(F) atau sig =0. Pengambilan Keputusan Hasil analisis varian menunjukkan bahwa nilai F hitung sebesar 32.C18) ketik Formula 12.dfe) Pada Cell F17 ketik formula =FINV(0.175 sedangkan nilai F tabel =3. Tentukan nilai Sig atau P(F) • Pada Cell G17 =FDIST(E17. Untuk 47 .05. Hitung nilai F hitung (Fc) • Fc = MSR/MSE Pada Cell E17 ketik formula =D17/D18 10.8.

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

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: 1.5. Contoh Perhitungan Uji t: Dengan menggunakan Contoh Kasus 3. susunlah input seperti Gambar 3. Tampilan Input Uji t untuk Regresi Berganda 49 .Nilai t untuk masing-masing parameter kemudian dibandingkan dengan t tabel atau dengan p(t) untuk mengetahui signifikansinya.5.2. Gambar 3. berikut ini akan dijelaskan langkah-langkah uji t.

MSE dan dbe didapat dari hasil perhitungan Anova. Copy Cell F19 lalu Paste ke Cell F20 dan F21 8.$E$10). yaitu pada Cell B12 ketik formula =B6*$B$10. (X’X)-1 dan B adalah nilai yang didapat dari hasil perhitungan pada koefisien regresi. Hitung nilai sig atau p(t) • Pada Cell F19 ketik formula =TDIST(D19. Hitung nilai Standard Error (SE) Pada Cell C19 ketik formula =B12^0. 3.5 Pada Cell C20 ketik formula =C13^0. Copy E19. Copy Cell B12 dan Paste ke Cell B13 sampai dengan D14. Hitung nilai t tabel Pada Cell E19 ketik formula =TINV(0.5 5. Hitung nilai t Pada Cell D19 ketik formula =(B19 -0)/C19 Pada Cell D20 ketik formula =(B20-0)/C20 Pada Cell D21 ketik formula =(B21-0)/C21 6. Keterangan input • • • Matriks X’X.2. Isi nilai koefisien • • • • • • • • • • Pada Cell B19 ketik formula =G2 Pada Cell B20 ketik formula =G3 Pada Cell B21 ketik formula =G4 4.2).05. Matriks ragam-peragam atau V(B) didapat dengan mengalikan matriks (X’X) dengan SSE.5 Pada Cell C21 ketik formula =D14^0. lalu Paste ke Cell E20 dan E21 7.$E$10. Hitung nilai Confidence Interval (CI) dari masing-masing parameter 50 .

248 ≤ β0 ≤ 24. Copy Cell H19 lalu Paste ke Cell H20 dan H21 9.128. 51 . maka dapat disimpulkan bahwa pada tingkat kepercayaan 95% β0=0. Jika perhitungan benar.6. hal ini menandakan bahwa garis regresi yang terbentuk melewati titik asal.6. Karena nilai t hitung < t tabel.05) dan pada CI di dalamnya terdapat nol. Tampilan Output Uji t untuk Regresi Linear Berganda 10.319 sedangkan nilai t tabel =2.052. Gambar 3.198 serta pada CI sebesar -5. p(t)=0. maka akan nampak hasil seperti Gambar 3. nilai p(t)>α(0. Pengambilan Keputusan Keputusan untuk β0: Berdasarkan hasil uji parameter dengan uji t diketahui bahwa nilai t hitung =1.• Hitung nilai batas bawah (lower) Pada Cell G19 ketik formula =B19-C19*E19. Copy Cell G19 dan Paste ke Cell G20 dan G21 • Nilai Batas Atas (upper) Pada Cell H19 ketik formula =B19+C19*E19.

Karena nilai t > t tabel. kesungguhan seorang supervisor dalam mempelajari hal yang baru tidaklah menentukan performance seorang supervisor.05). p(t)>α(0.2. 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. maka dapat disimpulkan bahwa nilai β1=0 yang berarti bahwa menurut persepsi pekerja.497. Oleh karena itu.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.889. 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. 3.614. jumlah variabel penduga yang semakin banyak hingga xj akan memengaruhi nilai error seiring dengan bertambahnya nilai derajat bebas regresi.396 ≤ β1 ≤ 0.05) dan pada CI di dalamnya tidak terdapat nol. k adalah banyak variabel. Karena nilai t < t tabel.052.059 ≤ β1 ≤ 0.000 dan CI sebesar 0. koefisien ini menyatakan kekuatan pengaruh variabel penduga secara bersamasama terhadap variabel bergantung. p(t)=0. Keputusan untuk β2: Uji parameter terhadap β2 menunjukkan bahwa nilai t=1. p(t)=0. dan n adalah jumlah data yang digunakan.Keputusan untuk β1: Berdasarkan uji t diketahui bahwa nilai t hitung =5. 52 . p(t) < α(0.118 dan CI sebesar -0. Namun demikian.

704 − 30 .3 n-k Adjusted r 2 = r 2 − Dari hasil perhitungan di atas dapat dijelaskan bahwa variasi yang terjadi pada variabel bergantung.683 (1 − r 2 ) = 0.2.5 Perhitungan Koefisien Korelasi Ganda dan Parsial Dalam model regresi berganda. koefisien korelasi dengan menjadikan xj sebagai pengoreksi r(xi|xj.2. SSR=3058. dalam hal ini performance seorang supervisor 68. yaitu kemampuan dalam menangani komplain dan kesungguhannya untuk belajar hal yang baru.091 = = 0.704 SST 4341.200 maka nilai r2 dan adjusted r2 adalah: r2 = SSR 3058.30% dipengaruhi oleh variabel penduganya. 3. Sedangkan koefisien korelasi parsial menyatakan hubungan variabel bergantung dengan satu variabel penduga jika variabel penduga yang lain dianggap konstan atau tetap. n=30. koefisien korelasi dibedakan menjadi koefisien korelasi ganda dan parsial.091 dan SST=4341.704) = 0. 53 . Koefisien korelasi ganda menyatakan hubungan antara varibel bergantung dengan variabel penduga secara bersama-sama. sedangkan sisanya sebesar 31.2 diketahui bahwa k=3.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.Contoh Perhitungan Dengan menggunakan Contoh Kasus 3.70% dipengaruhi oleh faktor lain yang tidak diketahui. Koefisien korelasi ini dapat dibedakan menjadi koefisien korelasi yang mengabaikan xj atau r (xi|x0) yang kemudian dikenal dengan Zero-Order Corellations.200 3 −1 k −1 (1 − 0.

. 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............... df1.... rx1x 2 ...x2|x0) x1|x0 x2|x0.x1 x2|x0 x1|x0. dfr...dfe) Df k-1 MS SSR/dfr F MSR/MSE Ftabel F(α.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..r yxk ⎝ yx1 ⎠ Di mana rxixj adalah koefisien korelasi antar variabel yang dirumuskan dalam persamaan: 54 .dfe) 1 SS2 MS2/MSE F(α..... Tabel Anova untuk Perhitungan Korelasi Zero Order dan Part SV Regresi (x1............ ⎟ ⎜r 1 ⎟ r yx 2 .....x2 Error Total SS SSR SS(x1|x0) SSR-SS(x1|x0) SS(x2|x0) SSR-SS(x2|x0) SSE SST 1 Dbtdbr SS1 MS1/MSE F(α..rx 2 y ⎟ R=⎜ ⎟ ⎜ . rx 2 k ..Tabel 3. df2...rx1k rx1 y ⎞ ⎛ 1 ⎜ ⎟ ⎜ rx 2 x1 1 ....2.........

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

Tampilan Input Perhitungan Koefisien Korelasi Regresi Berganda 4. 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).5 • Hitung korelasi antara X1 dan Y Pada Cell D18 dan B20 ketik formula =(B7C2*B6/B2)/((C3-C2^2/B2)*(B10-B6^2/B2))^0.5 • Hitung korelasi antara X2 dan Y Pada Cell D19 dan C20 ketik formula =(B8D2*B6/B2)/((D4-D2^2/B2)*(B10B6^2/B2))^0. 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.Gambar 3.5 5.

x1) formula =1 Nilai df(x1|x0.x2) Nilai dft pada Cell H6 ketik pada Cell H8 ketik pada Cell H10 ketik formula =1 pada Cell H12 ketik formula = B2-1 57 .x2|x0) pada Cell G6 ketik formula =MMULT(B16:D16. pada Cell G11 ketik formula =G12-G6 Nilai SSR(x1|x0) =G3^2/G2 Nilai SSR(x2|x0.x2|x0) formula =3-1 Perhitungan Df (x2|x0.6. Hitung Degree of Freedom (Df) • • • • Perhitungan Df (x1. Hitung Sum of Square (SS) • • • • • • • Nilai SST B6^2/B2 pada Cell G12 ketik formula =B10- Nilai SSR(x1. 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) =G6-G9 pada Cell G7 ketik formula pada Cell G8 ketik formula pada Cell G9 ketik formula pada Cell G10 ketik formula 8.x1) =G6-G7 Nilai SSR(x2|x0) =I3^2/I2 Nilai SSR(x1|x0.

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

5) Perhitungan partial correlation untuk X2 dengan Y pada Cell I20 ketik formula =-D23/((D24*C23) ^0.5 14.5 15. 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) • Gambar 3. Hitung nilai koefisien korelasi ganda • • • Pada Cell I14 ketik formula =(G6/G12)^0.8.5 pada Cell Perhitungan zero order correlation X2 dengan Y pada Cell I20 ketik formula =(G9/G12)^0.13. Tampilan Keluaran Perhitungan Koefisien Korelasi Regresi Linear Berganda 59 .

ini terjadi karena nilai β1 dan β2 bernilai positif.x2|x0) lebih dari F tabel.70% berbanding lurus.x1) memiliki pengaruh yang tidak signifikan terhadap y.605 < F tabel. Koefisien korelasi parsial x1 terhadap y adalah sebesar 0. Jika langkah-langkah penyelesaian dilakukan dengan benar maka akan muncul hasil seperti Gambar 3.705 > f tabel. Dengan demikian. Sumber variasi kemudian dipecah dengan cara menghitung nilai pengaruh x1 yang dikoreksi oleh x2 (x1|x0. Pengambilan keputusan Perhatikan pada bagian Anova. di mana F(x2|x0.297 yang menandakan bahwa hubungan antara variabel kesungguhan supervisor dalam mempelajari sesuatu yang baru dengan performace yang dimilikinya adalah 29.5 Perhitungan part correlation untuk X2 dengan Y pada Cell K20 ketik formula =(G8/G12)^0.x1) =2. Sebaliknya pengaruh x2 yang dikoreksi oleh x1 (x2|x0.718 yang berarti bahwa hubungan antara variabel kemampuan seorang supervisor dalam menangani komplain dengan performance supervisor 71. Pada bagian ini terlihat bahwa x1 memberikan pengaruh yang signifikan terhadap y karena F(x1|x0. 18. Sedangkan koefisien korelasi parsial x2 terhadap y sebesar 0. Sedangkan x2 atau kesungguhan seorang supervisor dalam mempelajari hal yang baru tidak menentukan performance seorang supervisor. pada tabel tersebut diketahui bahwa x1 dan x2 secara bersama-sama memberikan pengaruh yang nyata terhadap y yang ditandai dengan nilai F hitung (x1.5 17. Hitung nilai Part Corellation • • Perhitungan part correlation untuk X1 dengan Y pada Cell K19 ketik formula =(G10/G12)^0.8.x2) =28. 60 . dapat disimpulkan bahwa x1 atau kemampuan dalam menangani komplain memiliki pengaruh yang signifikan terhadap performance seorang supervisor (y).x2).80% berbanding lurus. Koefisien korelasi parsial kedua variabel bernilai positif.16.

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. dapat diselesaikan dengan mudah menggunakan fasilitas MS Excel Add-Ins.2. Dari kasus ini. pekerja mungkin lebih berharap seorang supervisor agar lebih mampu dalam menangani komplain yang mereka ajukan. Gambar 3. Klik Data pada Toolbar Data Analysis OK. Tahapan-tahapan penyelesaiannya adalah sebagai berikut: 1.3 Penyelesaian Regresi Linear Berganda dengan MS Excel Add-Ins Perhitungan Contoh Kasus 3.9. Tampilan Data Input Regresi Berganda dengan MS Excel Add-Ins 2.9. Akan muncul jendela Regression. Susun data input seperti Gambar 3. 3. Regression 61 .

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 . 5. 6. Tampilan Jendela Regression 3.Gambar 3.11. 4.10.11. Aktifkan Labels dan Confidence level 95%. Klik OK akan muncul tampilan seperti Gambar 3. Pada Input Y Range isi dengan $A$1:$A$31 (Blok Cell A1 sampai Cell A31). artinya output akan diletakkan pada Cell E1. Pada Output Range isi $E$1 (klik Cell E1). Gambar 3.

oleh mereka dianggap tidak menentukan performance yang dimilikinya.839 (koefisien korelasi ganda).000 < α.4401 + 0. Nilai t Stat menyatakan nilai t hitung dan nilai P-value menyatakan nilai Sig atau P(t) yang dapat dibandingkan dengan nilai α. model tersebut bersifat signifikan dengan koefisien determinasi 0. bagian ini memuat nilai Multiple R dengan nilai 0.30% variasi pada y dapat dijelaskan dengan model. Pada bagian ANOVA memuat nilai F hitung sebesar 32.198 > α.358 dan P-value atau P(t) sebesar 0.219.440. Coefficients untuk x1 (β1) sebesar 0. Nilai t Stat untuk β0 adalah sebesar 1. sedangkan sisanya tidak dapat dijelaskan oleh model.175 dan Significance F atau P(f) sebesar 0. performance seorang supervisor dipengaruhi oleh kemampuannya dalam menangani komplain pekerjanya. Dengan demikian.683 (koefisien determinasi yang telah disesuaikan).614 dengan P-value sebesar 0. sedangkan kesungguhannya dalam mempelajari sesuatu yang baru.683 yang berarti bahwa 68.000.643 dan Coefficients untuk x2 (β2) adalah sebesar 0.7. menurut persepsi pekerja.6426x1 + 0. 8. Keterangan hasil keluaran Perhatikan bagian SUMMARY. Pada bagian akhir memuat nilai Coefficients Intercept (β0) dengan hasil perhitungan sebesar 9. RSquare sebesar 0. Setelah dilakukan Uji-t. Pengambilan keputusan Seperti halnya pada perhitungan manual diketahui bahwa model persamaan yang terbentuk adalah: ˆ y = 9. 63 . Adjusted R Square sebesar 0. Untuk β1 memiliki nilai t Stat atau t hitung sebesar 5. sedangkan untuk β2 miliki t Stat 1. diketahui bahwa hanya variabel x1 yang berpengaruh signifikan terhadap y.188 > α.704 (koefisien determinasi yang belum disesuaikan).2190x 2 Berdasarkan analisis varian.319 dengan nilai Pvalue atau P(t) sebesar 0.

Tampilan Data Input Regresi Linear Berganda dengan SPSS 64 . seperti pada Gambar 3. Gambar 3.12.3.2.12. Tabel 3.4 Penyelesaian Regresi Linear Berganda dengan SPSS Contoh Kasus 3. Adapun tahapan-tahapan penyelesaian regresi linear berganda dengan SPSS sebagai berikut: 1.3.2 juga dapat diselesaikan dengan mudah menggunakan SPSS. 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. Lakukan data input pada Contoh Kasus 4.

Pada jendela tersebut aktifkan Part and Partial Correlations. Klik Analysis Regression Linear Regression.683 dan koefisien korelasi ganda atau Multiple R sebesar 0. Perhatikan bagian model Summary. Error of the Estimate 6.894 a.683 Std. Model Summary Model 1 R . Klik Statistics maka akan muncul jendela Linear Regression: Statistics. sedangkan x1 dan x2 ke bagian Independent(s). x2. pada bagian ini didapat nilai F hitung sebesar 32.839a R Square . Gambar 3. Akan muncul jendela 4. Klik Continue lalu klik OK. Linear. 5.3. Klik variabel y dan masukkan ke bagian Dependent.704 Adjusted R Square . 6.14.175 dengan P(F) atau Sig sebesar 0. pada bagian tersebut didapat nilai Adjusted R Square sebesar 0. Tampilan Keluaran Model Summary pada SPSS 9.13. Perhatikan bagian Anova.000. x1 Gambar 3. 8. Predictors: (Constant). Tampilan Jendela Linear Regression: Statistics 7. 65 .839.

44 dengan t hitung sebesar 1. Pada kesempatan ini akan dicoba 66 .091 1283.198 -5.118 dan koefisien korelasi parsial sebesar 0.219 dengant t hitung sebesar 1. Predictors: (Constant).200 df 2 27 29 Mean Square 1529. Tampilan Keluaran Anova pada SPSS 10.120 . Sedangkan nilai β1=0.614 a.396 . Silakan dicocokkan hasil perhitungan SPSS dengan perhitungan secara manual untuk memudahkan dalam pengambilan keputusan.210 1.643 .059 . .128 .643 dengan t hitung sebesar 5. Dependent Variable: y Gambar 3.159 1.169 Gambar 3.358. 3.ANOVAb Model 1 Sum of Squares 3058.Dependent Variable: y % Confidence Interval fo Correlations Sig. Tampilan Keluaran Coefficients pada SPSS 11.118 -.109 4341.297 .219 .5 Materi Pengayaan: Pengenalan Metode Backward dengan SPSS untuk Regresi Linear Berganda Penyelesaian Contoh Kasus 3.198. Sig 0.440 7.625 . pada bagian ini didapat nilai β0=9. Error Beta t 1 (Constan 9.000 dan Korelasi Parsial sebesar 0.046 47.319.15. Sig 0. x1 b.614.889 .697 5.561 . Nilai β1= 0. ower Bound Upper Bound Zero-order Partial Part .248 24.000a Regression Residual Total a.16. a Coefficients Unstandardized Standardized Coefficients Coefficients Mode B Std.2 dengan SPSS dalam Subbab 3.497 .718 .136 . x2.175 Sig.358 x2 .000 . Perhatikan bagian Coefficients.523 F 32.319 x1 .822 . Sig atau p(t)=0.4 tersebut dilakukan menggunakan metode Enter.718. Pada metode Enter penyelesaian regresi tidak mempertimbangkan ada tidaknya variabel yang dikeluarkan dari model.297.

Adapun langkah-langkah penyelesaian metode Backward adalah sebagai berikut: 1. kemudian klik x1 dan x2 lalu masukkan ke Independent(s).4. lalu pilih Regression maka muncul jendela Linear Regression. Susun variabel input dengan properti seperti Tabel 3. 6. 7. Masukkan input seperti pada Subbab 3. Gambar 3. 5. Pada bagian Method pilihlah Backward. Klik y lalu masukkan ke Dependent.17. Pada bagian Regression Coefficients aktifkan Estimate. Klik Analysis. 3. Confidence Intervals. Klik Statistics akan muncul jendela Linear Regression Statistics. Tampilan Linear Regression 4. Klik Continue lalu klik OK. 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. Model Fit dan Part And Partial Corellations.4. 2.dijelaskan tentang penggunaan metode Backward. 8. 67 .

822 7.915 4341.198 -5. Error Beta t 1 (Consta 9.109 4341.555 .112 6.523 2934. Coefficients.20.358 x2 .210 1.089 a. Model Summary Model 1 2 R .718 .676 Adjusted R Square . x2.961 . Tampilan Keluaran Anova Metode Backward a Coefficients Unstandardized tandardized Coefficients Coefficients Mode B Std.704 .561 .297 .18.247 F 32.894 7.642 a. x1 b.683 . Tampilan Keluaran Coefficients Metode Backward 68 .889 .118 -. .219 . Anova.822 .9. x2.839a . Dependent Variable: y Gambar 3. Predictors: (Constant).059 .248 24.822 .319 x1 . Predictors: (Constant).321 27.096 x1 .643 . x1 b.497 .664 Std.732 2.000a 2 Regression Residual Total Regression Residual Total 58.396 .099 .822 Gambar 3.128 .046 47.091 1283.045 .136 .169 .Dependent Variable: y Confidence Interval f Correlations Sig. serta Exclude Variables.285 1406.614 2 (Consta14. Akan muncul Model Summary.285 50. x1 c.822b R Square .000b a.822 . Predictors: (Constant).200 df 2 27 29 1 28 29 Mean Square 1529.175 Sig.697 5.200 2934.397 .000 .000 . x1 Gambar 3. ower Bounpper Boun Zero-orde Partial Part .120 . Tampilan Keluaran Model Summary Metode Backward ANOVAc Model 1 Sum of Squares 3058.19.159 1.625 . Predictors: (Constant).902 .440 7.758 . Error of the Estimate 6.

614 Sig.6426x 1 + 0.2190x 2 (Model a) Sedangkan model kedua memiliki bentuk persamaan: ˆ y = 14.758x1 (Model b) Selain R-square mengalami perubahan.646 a. x1 b. Pada bagian pertama menggambarkan model dengan x1 dan x2 masih digunakan secara bersama-sama dalam persamaan regresi (model a).096 dengan Sig dari 0. yaitu terdiri atas bagian Model Summary.4401 + 0.112 + 0.21.683 (lihat nilai Adjusted R Square model pertama). Pada bagian akhir hasil analisis terlihat bahwa ada variabel yang dikeluarkan. Pada bagian Summary terlihat bahwa model pertama memiliki R Square sebesar 0. Anova dan Coefficients. Dependent Variable: y Gambar 3. Bagian kedua adalah model hanya mempertahankan x1 dan mengeluarkan x2 (model b).319 menjadi 2. Oleh karenanya dalam hal ini keluaran SPSS kemudian dibagi menjadi dua Bagian. yaitu x2.118 Partial Correlation . koefisien β0 juga mengalami perubahan dari 1.297 Collinearity Statistics Tolerance .198 menjadi 0.676 (lihat nilai R Square model kedua). Sedangkan hasil pembacaan pada bagian Coefficients dapat disimpulkan bahwa model pertama memiliki bentuk persamaan: ˆ y = 9. Pertanyaan yang 69 .210a t 1. Predictors in the Model: (Constant). Tampilan Keluaran Excluded Variables Metode Backward 10. .045 atau signifikan.b Excluded Variables Model 2 x2 Beta In . sedangkan model kedua memiliki R Square sebesar 0. Penjelasan tentang keluaran Keluaran hasil analisis pada dasarnya sama dengan metode Enter. Namun pada metode Backward keluaran dipilah-pilah berdasarkan model setelah diproses ada tidaknya variabel yang dikeluarkan.

Jika hanya ingin mengetahui variabel-variabel mana saja yang berpengaruh terhadap varaibel bergantung. 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. maka yang harus benar-benar dipastikan adalah signifikansi efek pengeluaran suatu variabel terhadap perubahan nilai R. 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. jika tujuan analisis adalah akan memilih model mana yang tepat untuk keperluan estimasi atau prediksi atau peramalan.