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

Cell I32 = ∑ i =1 n x i2 y i dan Cell J32 = ∑x i =1 n i1 x i2 11. Susun matriks X’Y • • • • • Pada Cell M12 ketik formula =B32 Pada Cell M13 ketik formula =H32 Pada Cell M14 ketik formula =I32 14.• Nilai pada Cell H32 = ∑x i =1 n i1 y i .2. maka akan diperoleh hasil seperti Gambar 3. 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. Hitung nilai β0. Apabila langkah perhitungan dilakukan dengan benar. 43 .M12:H14) Tekan tombol bersama-sama ketik formula secara CTRL+SHIFT+ENTER 15. β1 dan β3 Blok Cell M16:M18 lalu =MMULT(M8:O10.

6426x1 + 0. 44 .2 adalah β0=9.6426 dan β3=0.Gambar 3.2190x 2 • Dari model tersebut diketahui bahwa nilai β1dan β1 bernilai positif yang memberikan indikasi awal. indikasi awal ini tidaklah bermakna jika belum diketahui signifikansinya.2190. Hal ini berarti bahwa semakin besar nilai x1 atau x2 akan diikuti oleh kenaikan nilai y.4401. baik x1 dan x2 memiliki hubungan yang berbanding lurus dengan y.2. Seperti halnya pada pembahasan regresi linear sederhana. β1=0. Tampilan Hasil Perhitungan Koefisien Regresi • Berdasarkan hasil perhitungan diketahui bahwa nilai koefisien model regresi berganda pada Contoh Kasus 3. semakin kecil nilai x1 atau x2 akan diikuti dengan nilai y yang semakin kecil. Sehingga model regresi berganda dapat ditulis dengan persamaan: ˆ y = 9. Demikian sebaliknya.4401 + 0. Oleh karena itu perlu dilakukan Uji dengan Anova dan Uji t terhadap model persamaan tersebut.

buatlah worksheet baru.2. sumbangan Gambar 3. Tampilan Input Anova Regresi Berganda 3.2 tersebut adalah sebagai berikut. Dengan menggunakan data pada Contoh Kasus 3.2.3. Susun tabel input seperti Gambar 3. Keterangan input tabel • X’X didapat dari hasil perhitungan sebelumnya.3. Klik kanan Cell B2 lalu pilih Paste Special kemudian pilih Paste Link. Copy Cell M3:O5 pada Worksheet koefisien lalu klik Worksheet Anova. 2. Perumusan Hipotesis Ho: Keragaman variabel penduga tidak memberikan sumbangan keragaman pada variabel bergantung ( β 1 dan β 2 = 0) Ha: Keragaman variabel penduga memberikan keragaman pada variabel bergantung ( β 1 dan β 2 ≠ 0) Langkah Perhitungan 1. 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. Adapun proses analisis varian pada Contoh Kasus 3.3. 45 .

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

C17. Dengan demikian. Tentukan nilai Sig atau P(F) • Pada Cell G17 =FDIST(E17.C17.8.dfr.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.C18) ketik Formula 12. Hitung nilai F hitung (Fc) • Fc = MSR/MSE Pada Cell E17 ketik formula =D17/D18 10. Karena nilai F > Ftabel dan Sig <α. Jika langkah perhitungan benar.354 dan nilai P(F) atau sig =0.dfe) Pada Cell F17 ketik formula =FINV(0.C18) 11.175 sedangkan nilai F tabel =3. maka pada tingkat keyakinan 95% dapat dinyatakan bahwa nilai β 1 dan β 2 ≠ 0 . Untuk 47 . Tentukan nilai F tabel • F Tabel = F(α.05. dapat disimpulkan bahwa keragaman variabel penduga memberikan sumbangan terhadap keragaman pada variabel bergantungnya. Gambar 3. maka akan nampak hasil seperti Gambar 3. Tampilan Output Anova Regresi Berganda 13.000.4. Pengambilan Keputusan Hasil analisis varian menunjukkan bahwa nilai F hitung sebesar 32.

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

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: 1.2. Buatlah Worksheet baru dan beri nama ttest.Nilai t untuk masing-masing parameter kemudian dibandingkan dengan t tabel atau dengan p(t) untuk mengetahui signifikansinya. susunlah input seperti Gambar 3. Tampilan Input Uji t untuk Regresi Berganda 49 .5. Contoh Perhitungan Uji t: Dengan menggunakan Contoh Kasus 3. Gambar 3.5.

2.$E$10. MSE dan dbe didapat dari hasil perhitungan Anova. Hitung nilai sig atau p(t) • Pada Cell F19 ketik formula =TDIST(D19. Copy E19. Matriks ragam-peragam atau V(B) didapat dengan mengalikan matriks (X’X) dengan SSE. Hitung nilai t tabel Pada Cell E19 ketik formula =TINV(0. lalu Paste ke Cell E20 dan E21 7. Hitung nilai t Pada Cell D19 ketik formula =(B19 -0)/C19 Pada Cell D20 ketik formula =(B20-0)/C20 Pada Cell D21 ketik formula =(B21-0)/C21 6. Copy Cell B12 dan Paste ke Cell B13 sampai dengan D14.05. Copy Cell F19 lalu Paste ke Cell F20 dan F21 8.5 Pada Cell C21 ketik formula =D14^0.5 5. yaitu pada Cell B12 ketik formula =B6*$B$10. Hitung nilai Standard Error (SE) Pada Cell C19 ketik formula =B12^0. Isi nilai koefisien • • • • • • • • • • Pada Cell B19 ketik formula =G2 Pada Cell B20 ketik formula =G3 Pada Cell B21 ketik formula =G4 4.5 Pada Cell C20 ketik formula =C13^0.$E$10). (X’X)-1 dan B adalah nilai yang didapat dari hasil perhitungan pada koefisien regresi. Hitung nilai Confidence Interval (CI) dari masing-masing parameter 50 . Keterangan input • • • Matriks X’X.2). 3.

052. Gambar 3. nilai p(t)>α(0. Pengambilan Keputusan Keputusan untuk β0: Berdasarkan hasil uji parameter dengan uji t diketahui bahwa nilai t hitung =1.05) dan pada CI di dalamnya terdapat nol. Copy Cell H19 lalu Paste ke Cell H20 dan H21 9. Karena nilai t hitung < t tabel.248 ≤ β0 ≤ 24. maka akan nampak hasil seperti Gambar 3. maka dapat disimpulkan bahwa pada tingkat kepercayaan 95% β0=0. p(t)=0. 51 .• Hitung nilai batas bawah (lower) Pada Cell G19 ketik formula =B19-C19*E19.6.6.319 sedangkan nilai t tabel =2.198 serta pada CI sebesar -5. Jika perhitungan benar.128. Copy Cell G19 dan Paste ke Cell G20 dan G21 • Nilai Batas Atas (upper) Pada Cell H19 ketik formula =B19+C19*E19. hal ini menandakan bahwa garis regresi yang terbentuk melewati titik asal. Tampilan Output Uji t untuk Regresi Linear Berganda 10.

059 ≤ β1 ≤ 0.2. dan n adalah jumlah data yang digunakan. p(t)=0.118 dan CI sebesar -0. 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. 3.052. k adalah banyak variabel.Keputusan untuk β1: Berdasarkan uji t diketahui bahwa nilai t hitung =5. Karena nilai t > t tabel. p(t) < α(0. r2 ini perlu disesuaikan (Adjusted-R Square) yang dirumuskan dengan persamaan: Adjusted r 2 = r 2 − k −1 (1 − r 2 ) n-k Di mana r2 adalah koefisien determinasi sebelum disesuaikan.396 ≤ β1 ≤ 0. jumlah variabel penduga yang semakin banyak hingga xj akan memengaruhi nilai error seiring dengan bertambahnya nilai derajat bebas regresi. maka dapat disimpulkan bahwa nilai β1=0 yang berarti bahwa menurut persepsi pekerja.889.05).4 Perhitungan R-Square dan Adjusted R Square Koefisien determinasi atau R-Square dalam regresi linear berganda dihitung dengan rumus: r2 = SSR SST Seperti halnya pada regresi linear sederhana. p(t)>α(0.000 dan CI sebesar 0. Oleh karena itu. p(t)=0. Karena nilai t < t tabel.05) dan pada CI di dalamnya tidak terdapat nol.497.358 sedangkan t tabel =2. koefisien ini menyatakan kekuatan pengaruh variabel penduga secara bersamasama terhadap variabel bergantung.614. Keputusan untuk β2: Uji parameter terhadap β2 menunjukkan bahwa nilai t=1. kesungguhan seorang supervisor dalam mempelajari hal yang baru tidaklah menentukan performance seorang supervisor. 52 . Namun demikian.

091 = = 0. SSR=3058.200 maka nilai r2 dan adjusted r2 adalah: r2 = SSR 3058. Koefisien korelasi ganda menyatakan hubungan antara varibel bergantung dengan variabel penduga secara bersama-sama. 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. dalam hal ini performance seorang supervisor 68.30% dipengaruhi oleh variabel penduganya.704) = 0. koefisien korelasi dibedakan menjadi koefisien korelasi ganda dan parsial.683 (1 − r 2 ) = 0. 3. 53 .5 Perhitungan Koefisien Korelasi Ganda dan Parsial Dalam model regresi berganda.2.704 SST 4341.x0) atau kemudian dikenal dengan Part Correlations serta koefisien korelasi yang menganggap variabel penduga lainnya konstan atau kemudian dikenal dengan Partial Corellations. yaitu kemampuan dalam menangani komplain dan kesungguhannya untuk belajar hal yang baru. Sedangkan koefisien korelasi parsial menyatakan hubungan variabel bergantung dengan satu variabel penduga jika variabel penduga yang lain dianggap konstan atau tetap.200 3 −1 k −1 (1 − 0.3 n-k Adjusted r 2 = r 2 − Dari hasil perhitungan di atas dapat dijelaskan bahwa variasi yang terjadi pada variabel bergantung. n=30.2. 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.2 diketahui bahwa k=3.704 − 30 .091 dan SST=4341. koefisien korelasi dengan menjadikan xj sebagai pengoreksi r(xi|xj.

..rx 2 y ⎟ R=⎜ ⎟ ⎜ .dfe) Df k-1 MS SSR/dfr F MSR/MSE Ftabel F(α. 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 .. ⎟ ⎜r 1 ⎟ r yx 2 .x2|x0) x1|x0 x2|x0.2...... x2 |x0 memiliki arti bahwa variabel penduga x1 dan x2 digunakan secara bersama-sama dalam model regresi x1|x0 memiliki arti bahwa variabel penduga yang digunakan dalam model hanya variabel x1 dan mengabaikan x2 x1|x0....... rx1x 2 ..x1 x2|x0 x1|x0...... df2.....dfe) Keterangan: • • • x1.. rx 2 k ..... df1.........dfe) 1 SS2 MS2/MSE F(α..rx1k rx1 y ⎞ ⎛ 1 ⎜ ⎟ ⎜ rx 2 x1 1 ............Tabel 3.... Tabel Anova untuk Perhitungan Korelasi Zero Order dan Part SV Regresi (x1.. dfr...x2 Error Total SS SSR SS(x1|x0) SSR-SS(x1|x0) SS(x2|x0) SSR-SS(x2|x0) SSE SST 1 Dbtdbr SS1 MS1/MSE F(α..

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

5 5.7. tekan Ctrl+Shift+Enter secara bersama-sama 56 .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. 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 • 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-1 atau C • Blok Cell B22 sampai dengan D24 lalu ketik formula =MINVERSE(B18:D20). Susunlah Matriks R • • Pada Cell B18.

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

x2|x0 =FINV(0.05.H11) 12.x2|x0) =FINV(0.H11) Nilai P(F)x2|x0.x1) =FINV(0.H11) Nilai Ftabel(x2|x0.H10. Hitung Nilai P(F) • • • pada Cell L6 ketik formula Nilai P(F) x1.x2) pada Cell K10 ketik formula =FINV(0.x1 pada Cell L8 ketik formula =FINV(0.H11) 58 .05.H8. Hitung Nilai F Nilai F (x1.x2 pada Cell L10 ketik formula =FINV(0.H6.H10.x1) =I8/I11 Nilai F(x1|x0.x2) =I10/I11 pada Cell J6 ketik formula pada Cell J8 ketik formula pada Cell J10 ketik formula 11.05.x2) =G10/H10 Nilai MSE pada Cell I6 ketik formula pada Cell I8 ketik formula pada Cell I10 ketik formula pada Cell I11 ketik formula = G12/H12 10.05.x1) =G8/H8 Nilai MS(x1|x0.05. Hitung Nilai F tabel • • • Nilai F tabel (x1.H11) pada Cell K6 ketik formula pada Cell K8 ketik formula Nilai Ftabek(x1|x0.x2|x0) =G6/H6 Nilai MS(x2|x0. Hitung Nilai Mean Square (MS) Nilai MS(x1.H11) Nilai P(F)x1|x0.H8.• • • • • • • • Nilai dfe pada Cell H11 ketik formula =H12-H6 9.x2|x0) =I6/I11 Nilai F(x2|x0.H6.05.

5 14. Tampilan Keluaran Perhitungan Koefisien Korelasi Regresi Linear Berganda 59 .13. 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. Hitung nilai koefisien korelasi ganda • • • Pada Cell I14 ketik formula =(G6/G12)^0.5) Perhitungan partial correlation untuk X2 dengan Y pada Cell I20 ketik formula =-D23/((D24*C23) ^0.5 15.5) • Gambar 3.8.

Koefisien korelasi parsial x1 terhadap y adalah sebesar 0. Sumber variasi kemudian dipecah dengan cara menghitung nilai pengaruh x1 yang dikoreksi oleh x2 (x1|x0.5 17. Hitung nilai Part Corellation • • Perhitungan part correlation untuk X1 dengan Y pada Cell K19 ketik formula =(G10/G12)^0.8. 18.70% berbanding lurus.x2) =28.x1) memiliki pengaruh yang tidak signifikan terhadap y. Pengambilan keputusan Perhatikan pada bagian Anova. dapat disimpulkan bahwa x1 atau kemampuan dalam menangani komplain memiliki pengaruh yang signifikan terhadap performance seorang supervisor (y).16.x2|x0) lebih dari F tabel. Sebaliknya pengaruh x2 yang dikoreksi oleh x1 (x2|x0.x2). di mana F(x2|x0. Sedangkan x2 atau kesungguhan seorang supervisor dalam mempelajari hal yang baru tidak menentukan performance seorang supervisor.x1) =2. 60 . Jika langkah-langkah penyelesaian dilakukan dengan benar maka akan muncul hasil seperti Gambar 3. Dengan demikian. Sedangkan koefisien korelasi parsial x2 terhadap y sebesar 0. Koefisien korelasi parsial kedua variabel bernilai positif. 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|x0.605 < F tabel.80% berbanding lurus.297 yang menandakan bahwa hubungan antara variabel kesungguhan supervisor dalam mempelajari sesuatu yang baru dengan performace yang dimilikinya adalah 29. ini terjadi karena nilai β1 dan β2 bernilai positif.705 > f tabel.5 Perhitungan part correlation untuk X2 dengan Y pada Cell K20 ketik formula =(G8/G12)^0.718 yang berarti bahwa hubungan antara variabel kemampuan seorang supervisor dalam menangani komplain dengan performance supervisor 71.

pekerja mungkin lebih berharap seorang supervisor agar lebih mampu dalam menangani komplain yang mereka ajukan.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. Tampilan Data Input Regresi Berganda dengan MS Excel Add-Ins 2. Regression 61 .2. Akan muncul jendela Regression. Dari kasus ini. Klik Data pada Toolbar Data Analysis OK.9. 3.3 Penyelesaian Regresi Linear Berganda dengan MS Excel Add-Ins Perhitungan Contoh Kasus 3. Tahapan-tahapan penyelesaiannya adalah sebagai berikut: 1. Susun data input seperti Gambar 3. dapat diselesaikan dengan mudah menggunakan fasilitas MS Excel Add-Ins. Gambar 3.9.

artinya output akan diletakkan pada Cell E1.10. 4. Pada Output Range isi $E$1 (klik Cell E1). 6.Gambar 3. Aktifkan Labels dan Confidence level 95%. 5. Tampilan Hasil Penyelesaian Regresi Linear Berganda dengan MS Excel Add-Ins 62 . sedangkan pada X range isi dengan $B$1:$C$31 (Blok Cell B1 sampai dengan Cell C31). Tampilan Jendela Regression 3. Klik OK akan muncul tampilan seperti Gambar 3.11. Pada Input Y Range isi dengan $A$1:$A$31 (Blok Cell A1 sampai Cell A31). Gambar 3.11.

000 < α.683 (koefisien determinasi yang telah disesuaikan).6426x1 + 0. RSquare sebesar 0. bagian ini memuat nilai Multiple R dengan nilai 0. menurut persepsi pekerja. performance seorang supervisor dipengaruhi oleh kemampuannya dalam menangani komplain pekerjanya.839 (koefisien korelasi ganda). diketahui bahwa hanya variabel x1 yang berpengaruh signifikan terhadap y. sedangkan untuk β2 miliki t Stat 1.000. Nilai t Stat menyatakan nilai t hitung dan nilai P-value menyatakan nilai Sig atau P(t) yang dapat dibandingkan dengan nilai α.219.319 dengan nilai Pvalue atau P(t) sebesar 0. Nilai t Stat untuk β0 adalah sebesar 1. sedangkan sisanya tidak dapat dijelaskan oleh model. 63 . Pengambilan keputusan Seperti halnya pada perhitungan manual diketahui bahwa model persamaan yang terbentuk adalah: ˆ y = 9.704 (koefisien determinasi yang belum disesuaikan).2190x 2 Berdasarkan analisis varian. Keterangan hasil keluaran Perhatikan bagian SUMMARY.188 > α.643 dan Coefficients untuk x2 (β2) adalah sebesar 0.683 yang berarti bahwa 68. 8.440.7. Dengan demikian. Untuk β1 memiliki nilai t Stat atau t hitung sebesar 5. Coefficients untuk x1 (β1) sebesar 0. Setelah dilakukan Uji-t. oleh mereka dianggap tidak menentukan performance yang dimilikinya. sedangkan kesungguhannya dalam mempelajari sesuatu yang baru.4401 + 0. Pada bagian akhir memuat nilai Coefficients Intercept (β0) dengan hasil perhitungan sebesar 9.175 dan Significance F atau P(f) sebesar 0. model tersebut bersifat signifikan dengan koefisien determinasi 0.198 > α.30% variasi pada y dapat dijelaskan dengan model. Adjusted R Square sebesar 0.614 dengan P-value sebesar 0. Pada bagian ANOVA memuat nilai F hitung sebesar 32.358 dan P-value atau P(t) sebesar 0.

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. Tampilan Data Input Regresi Linear Berganda dengan SPSS 64 . seperti pada Gambar 3.12.3.2 juga dapat diselesaikan dengan mudah menggunakan SPSS. Pada Variabel View buatlah tiga buah variabel dengan properti seperti Tabel 3.2.12. Adapun tahapan-tahapan penyelesaian regresi linear berganda dengan SPSS sebagai berikut: 1.3. Tabel 3.3.4 Penyelesaian Regresi Linear Berganda dengan SPSS Contoh Kasus 3. Gambar 3.

Model Summary Model 1 R . Klik variabel y dan masukkan ke bagian Dependent. Akan muncul jendela 4. x1 Gambar 3.683 Std.13. Perhatikan bagian Anova.704 Adjusted R Square .894 a. 5. pada bagian ini didapat nilai F hitung sebesar 32. 65 .175 dengan P(F) atau Sig sebesar 0.000.839. Predictors: (Constant).683 dan koefisien korelasi ganda atau Multiple R sebesar 0. 6. 8. Klik Statistics maka akan muncul jendela Linear Regression: Statistics. x2. Klik Continue lalu klik OK. Klik Analysis Regression Linear Regression. pada bagian tersebut didapat nilai Adjusted R Square sebesar 0. Pada jendela tersebut aktifkan Part and Partial Correlations.839a R Square . sedangkan x1 dan x2 ke bagian Independent(s). Error of the Estimate 6. Gambar 3. Perhatikan bagian model Summary.14. Linear.3. Tampilan Jendela Linear Regression: Statistics 7. Tampilan Keluaran Model Summary pada SPSS 9.

118 -. ower Bound Upper Bound Zero-order Partial Part . Pada metode Enter penyelesaian regresi tidak mempertimbangkan ada tidaknya variabel yang dikeluarkan dari model.718. Silakan dicocokkan hasil perhitungan SPSS dengan perhitungan secara manual untuk memudahkan dalam pengambilan keputusan.358 x2 .2 dengan SPSS dalam Subbab 3.219 .210 1.ANOVAb Model 1 Sum of Squares 3058.Dependent Variable: y % Confidence Interval fo Correlations Sig.440 7. Sig 0. . x2.297 .614 a.198 -5. Predictors: (Constant). Dependent Variable: y Gambar 3.046 47.319 x1 . 3. Tampilan Keluaran Anova pada SPSS 10. Sig atau p(t)=0. Pada kesempatan ini akan dicoba 66 .248 24.219 dengant t hitung sebesar 1.4 tersebut dilakukan menggunakan metode Enter.44 dengan t hitung sebesar 1.697 5.718 .169 Gambar 3. Sig 0.889 .297.643 dengan t hitung sebesar 5.319.000 dan Korelasi Parsial sebesar 0.198.5 Materi Pengayaan: Pengenalan Metode Backward dengan SPSS untuk Regresi Linear Berganda Penyelesaian Contoh Kasus 3.120 . pada bagian ini didapat nilai β0=9.059 .497 . Perhatikan bagian Coefficients.200 df 2 27 29 Mean Square 1529.109 4341.091 1283. Error Beta t 1 (Constan 9.16.000 .159 1.396 . Tampilan Keluaran Coefficients pada SPSS 11.523 F 32.118 dan koefisien korelasi parsial sebesar 0.643 .175 Sig.15.614.358. a Coefficients Unstandardized Standardized Coefficients Coefficients Mode B Std.822 .625 .128 . Nilai β1= 0. Sedangkan nilai β1=0.561 .000a Regression Residual Total a.136 . x1 b.

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

497 .112 6.000b a.118 -.210 1.18.822 .Dependent Variable: y Confidence Interval f Correlations Sig. x1 c.915 4341. Predictors: (Constant).642 a.704 .902 .297 . Coefficients.718 .822 .219 .059 .961 . Akan muncul Model Summary. Anova.697 5.732 2.248 24.045 .676 Adjusted R Square .046 47.822 7.9.159 1.397 . .822 .000a 2 Regression Residual Total Regression Residual Total 58.198 -5. Predictors: (Constant). ower Bounpper Boun Zero-orde Partial Part . Error of the Estimate 6.358 x2 .889 .319 x1 .555 .096 x1 . Model Summary Model 1 2 R .200 df 2 27 29 1 28 29 Mean Square 1529. Error Beta t 1 (Consta 9.614 2 (Consta14.758 . Tampilan Keluaran Coefficients Metode Backward 68 .396 . Dependent Variable: y Gambar 3. x1 Gambar 3.20.664 Std.321 27.136 .285 1406.109 4341. Tampilan Keluaran Model Summary Metode Backward ANOVAc Model 1 Sum of Squares 3058.839a .175 Sig.200 2934.128 .894 7.000 .822 Gambar 3. x2. Predictors: (Constant).099 .625 .285 50. serta Exclude Variables.169 .089 a.120 .19.561 . Predictors: (Constant). x2.822b R Square . Tampilan Keluaran Anova Metode Backward a Coefficients Unstandardized tandardized Coefficients Coefficients Mode B Std.247 F 32.440 7.683 . x1 b.523 2934.643 . x1 b.000 .091 1283.

758x1 (Model b) Selain R-square mengalami perubahan.683 (lihat nilai Adjusted R Square model pertama).b Excluded Variables Model 2 x2 Beta In . Oleh karenanya dalam hal ini keluaran SPSS kemudian dibagi menjadi dua Bagian.21. x1 b. Penjelasan tentang keluaran Keluaran hasil analisis pada dasarnya sama dengan metode Enter. Anova dan Coefficients.297 Collinearity Statistics Tolerance .2190x 2 (Model a) Sedangkan model kedua memiliki bentuk persamaan: ˆ y = 14.646 a.4401 + 0. Predictors in the Model: (Constant).6426x 1 + 0.676 (lihat nilai R Square model kedua). Pada bagian pertama menggambarkan model dengan x1 dan x2 masih digunakan secara bersama-sama dalam persamaan regresi (model a). Pada bagian Summary terlihat bahwa model pertama memiliki R Square sebesar 0.319 menjadi 2.112 + 0. Bagian kedua adalah model hanya mempertahankan x1 dan mengeluarkan x2 (model b). Namun pada metode Backward keluaran dipilah-pilah berdasarkan model setelah diproses ada tidaknya variabel yang dikeluarkan. koefisien β0 juga mengalami perubahan dari 1. Tampilan Keluaran Excluded Variables Metode Backward 10.198 menjadi 0. Dependent Variable: y Gambar 3. . sedangkan model kedua memiliki R Square sebesar 0.096 dengan Sig dari 0.210a t 1. Pertanyaan yang 69 .614 Sig. yaitu terdiri atas bagian Model Summary. yaitu x2.045 atau signifikan. Pada bagian akhir hasil analisis terlihat bahwa ada variabel yang dikeluarkan. Sedangkan hasil pembacaan pada bagian Coefficients dapat disimpulkan bahwa model pertama memiliki bentuk persamaan: ˆ y = 9.118 Partial Correlation .

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

Sign up to vote on this title
UsefulNot useful