P. 1
Manajemen Data Regresi Linier

Manajemen Data Regresi Linier

|Views: 35|Likes:

More info:

Published by: Yoanita 'Cassie' Zahra Puspita on Feb 18, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

10/08/2013

pdf

text

original

1

MULTIPLE REGRESI LINIER
A. PENGERTIAN Multiple regresi linier yang lebih dikenal dengan regresi linier ganda merupakan perluasan dari regresi linier sederhana. Pada regresi linier ganda variabel independen lebih dari satu variabel (biasanya lebih dua) yang dihubungkan dengan satu variabel dependen. Sementara pada regresi linier sederhana merupakan analisa untuk mengetahui bentuk hubungan antara satu variabel independen dengan satu variabel dependen. Regresi linier ganda adalah persamaan garis lurus (regresi linier) untuk memprediksi variabel dependen (numerik) dari beberapa variabel independen (numerik dan atau kategorik)

Jenis data pada analisis regresi linier ganda untuk variabel dependen harus numerik sedangkan untuk variabel independen boleh semuanya numerik atau campuran numerik dengan kategorik.
Pada analisis regresi linier ganda dihubungkan beberapa variabel independen dengan satu variabel dependen pada waktu yang bersamaan. Model persamaan regresi linier ganda adalah : Ŷ = α + β1 x1 +β2 x2+……+βi xi + ei Keterangan : Ŷ = variabel dependen α = intercept = nilai Y jika X = 0 β = slope = Koefisien regresi = besarnya perubahan nilai Y setiap satu unit perubahan X x = variabel independen e = residual /error term sampel = beda antara nilai Y observasi dengan nilai Y prediksi ( ei = Y – Ŷ) B. SYARAT MODEL REGRESI LINIER GANDA Persyaratan utama yang harus dipenuhi untuk melakukan analisa regresi linier ganda adalah :

1.
2.

Mempunyai satu variabel dependen yang bersifat numerik Mempunyai satu atau lebih variabel independen bersifat numerik dan dapat

disertai dengan variabel yang bersifat kategorik.

1

Asumsi ini tidak berlaku bila observasi dilakukan terhadap individu yang sama pada waktu yang berbeda.25 c.2 C.8 Asumsi yang harus dipenuhi oleh analisis regresi linier ganda adalah : 2 . Asumsi bivariat Melihat korelasi variabel dependen dengan indenpenden dengan uji korelasi pearson atau regresi linier sederhana. ASUMSI REGRESI LINIER GANDA a. Asumsi ini baru dapat terpenuhi jika pengambilan sampel dilakukan secara random. Independensi Nilai Y (variabel dependen) secara statistik pada tiap individu tidak tergantung antara satu dengan yang lain. Asumsi univariat Variabel numerik terutama variabel dependen harus berdistribusi normal sehingga dapat dianalisa dengan statistik parametrik b. Misal pengukuran berat badan individu dalam 2 waktu yang berbeda. Asumsi eksistensi ini dapat diketahui dengan cara melakukan analisa deskriptif variabel residual dari model. Asumsi ini hanya berlaku jika satu individu tidak dilakukan observasi atau pengukuran lebih dari satu kali. Asumsi ini berhubungan dengan teknik pengambilan sampel. 2. Melihat korelasi antar variabel untuk mengetahui gejala Asumsi model multivariat kolinearitas antar variabel independen yaitu jika nilai r > 0. Asumsi ini harus dipenuhi. Untuk mengetahui asumsi independensi dilakukan uji Durbin Watson. Jika residual ada nilai mean dan varian atau standar deviasi maka asumsi eksistensi terpenuhi. Variabel yang masuk kandidat adalah variabel yang nilai p value < 0. bila nilai durbin antara –2 s/d +2 berarti asumsi independensi terpenuhi. sebaliknya bila nilai durbin dibawah –2 atau diatas +2 berarti asumsi independensi tidak terpenuhi. Eksistensi Untuk setiap nilai variabel x (variabel independen) maka variabel Y (variabel dependen) merupakan suatu variabel random dengan distribusi probabilitas tertentu yang mempunyai mean dan variasi yang tertentu pula. pengabaian ketergantungan nilai Y dapat mengakibatkan kesimpulan statistik yang tidak valid. 1.

Bila data menyebar di sekitar garis diagonal dan mengikuti arah diagonal maka asumsi normalitas terpenuhi. Bila titik tebaran tidak mempunyai pola tertentu dan menyebar merata di sekitar garis titik nol residual maka varian homogen pada setiap nilai X. Selain itu dapat juga diketahui dari nilai VIF atau tolerance. Jika nilai FIV < 10 maka tidak terjadi kolinearitas. Homocedasticity Homo = sama . …. jika r < 0. sehingga asumsi homoscedasticity terpenuhi. Asumsi linearitas dapat diketahui dengan uji Anova (overall F test). Namun jika sebaliknya data menyebar jauh dari garis diagonal maka asumsi normalitas tidak terpenuhi. scedastic = scattered.. PEMBUATAN MODEL Salah satu aspek yang penting pada regresi linier ganda adalah memilih variabel independen sehingga terbentuk sebuah model yang paling sesuai untuk menjelaskan variabel dependen yang sesungguhnya dalam populasi. xn.. 4. Multivariat Normalitas Untuk nilai X yang fix maka nilai y akan berdistribusi normal. Pada plot residual dilihat titik tebarannya. Asumsi homoscedasticity dapat diketahui dengan membuat plot residual. Pemilihan variabel independen 3 .3 3. Tapi jika titik tebaran membentuk pola tertentu seperti berkelompok di bawah atau di atas garis tengah nol maka asumsi homoscedasticity tidak terpenuhi. Perlu diketahui apakah variabel Y berdistribusi normal gabungan x1. Persamaan matematikanya adalah : Ŷ = α + β1 x1 +β2 x2+……+βi xi + ei Untuk nilai X yang random maka nilai e = 0 dan nilai e ≠ 0 jika nilai x tidak random. Colinearity Apakah tidak terdapat korelasi antar variabel independen. Asumsi ini dapat mengevaluasi kesignifikanan hubungan antara x dan y yang dicerminkan oleh garis yang tepat ( dapat diketahui dari confidence interval mean dan uji hipotesis).8 maka tidak terjadi kolinearitas. Linieritas Mean nilai Y adalah fungsi garis lurus dari Xi yang dibentuk dari persamaan regresi. 5. Dilihat dari nilai r. 6. Yaitu varian setiap nilai variabel Y sama untuk setiap nilai variabel x. Asumsi normalitas dapat diketahui dari P-P plot residual. D. Bila diperoleh p value < alpha maka model berbentuk linier. x2.

Dapat dilihat dari normal P-P plot residual atau melakukan uji kolmogorov smirnov. LANGKAH-LANGKAH REGRESI LINIER GANDA Langkah-langkah untuk analisis regresi linier ganda adalah : 3. Model yang digunakan adalah model dengan nilai R2 besar tapi jumlah variabel independen sedikit. Standar 4 . Variabel numerik harus berdistribusi normal terutama variabel dependen. b. Melakukan analisis secara bersamaan. Metode ENTER Pada metode ini semua variabel independent dimasukkan secara serentak tanpa melewati kriteria tertentu. Kemudian pengeluaran variabel dari model didasarkan kepada pertimbangan peneliti baik secara substansi atau dari aspek statistik (pvalue). Metode-metode yang dapat digunakan untuk pemilihan variabel independen dalam regresi linier ganda adalah sebagai berikut : a. 5. Melakukan analisis bivariat untuk menentukan variabel yang menjadi kandidat model. Variabel yang masuk model harus cukup baik untuk menjelaskan faktor-faktor penting yang berhubungan dengan variabel dependen. Jika p value kolmogorov smirnov > 0. Melakukan analisis univariat untuk mengetahui kenormalan data.4 sebaiknya didasarkan pada pertimbangan statistik dan substansi. Setiap variabel independen dihubungkan dengan variabel dependen dan dilihat p valuenya. Yang dimaksud dengan korelasi parsial adalah hubungan variabel independen dan variabel dependen setelah dikontrol variabel lain. Metode FORWARD Pada metode ini dimasukkan satu per satu variabel dari hasil pengkorelasian variabel dan memenuhi kriteria kemaknaan statistik untuk masuk ke dalam model. Salah satu kriteria yang sering digunakan adalah melihat perubahan nilai R 2 (R square). Jika nilai p < 0. 4. Namun yang perlu diperhatikan adalah bahwa setiap penambahan satu variabel independen akan meningkatkan nilai R2 walaupun variabel tersebut tidak cukup penting.25 maka variabel tersebut dapat masuk ke dalam kandidat model multivariat. sampai semua variabel yang memenuhi kriteria masuk. E. Variabel yang pertama kali masuk adalah varriabel yang mempunyai korelasi parsial terbesar dengan variabel dependen dan memenuhi kriteria.05 maka data berdistribusi normal. Lakukan pemilihan variabel yang masuk ke dalam model.

1) 2) 3) 4) Melakukan diagnostik regresi linier yaitu : Eksistensi Independensi Linearitas Homocedasticity Melakukan pengujian terhadap ke enam asumsi Lihat mean dan standar deviasi dari residu. Bila tak ada pola tertentu di sekitar nilai nol residu dapat disebut varians Y homogen pada setiap nilai X. Pada metode stepwise dimulai dari tanpa variabel sama sekali dalam model. Metode BACKWARD Yaitu dengan memasukkan semua variabel ke dalam model.1 d. c.5 SPSS kriteria variabel yang masuk P-in (PIN) 0. Setelah masuk variabel pertama ini diperiksa apa sudah memenuhi kriteria atau perlu keluar dari model seperti pada metoda backward. Kemudian satu persatu variabel hasil pengkorelasian variabel dimasukkan ke dalam model dan dikeluarkan dari model dengan kriteria yang sudah ditetapkan. Kalau ada artinya asumsi terpenuhi Lakukan uji Durbin-watson Lihat hasil uji anova.05 yaitu jika variabel mempunyai nilai P ≤ 0. 6. Metode STEPWISE Merupakan kombinasi antara metode backward dan forward. e. Karena dengan metode ini peneliti secara aktif terlibat dalam proses pemilihan variabel dengan pertimbangan secara statistik dan substansi sesuai tahap demi tahap. 5 . kemudian satu persatu variabel yang tidak memenuhi kriteria kemaknaan statistik tertentu dikeluarkan dari model. Jika P< 0. Metode REMOVE Mengeluarkan semua variabel independen dengan serentak tanpa melewati kriteria kemaknaan tertentu.1 yang artinya variabel yang keluar dari model adalah variabel yang mempunyai nilai P ≥ 0. Dari metode di atas metode yang paling sering digunakan adalah metode enter. Variabel pertama yang dikeluarkan adalh variabel yang mmepunyai korelasi parsial terkecil dengan variabel dependen.05 maka dapat masuk ke dalam model. Variabel yang pertama masuk adalah variabel yang mmepunyai korelasi parsial terbesar .05 maka asumsi liniearitas terpenuhi Lihat plot antara residu dengan nilai Y dugaan. Kriteria pengeluaran atau P-out (POUT) adalah 0.

lemak dan serat. PENGGUNAAN SOFTWARE Software yang dapat digunakan dalam analisa regresi linier ganda salah satunya adalah SPSS dan Stata. Dgn demikian diantara variabel di atas variabel apakah yg dpt digunakan utk memprediksi kadar kolesterol darah seseorang Kerangka konsep Status gizi Rasio lingkar pinggang Intake energi Lemak Serat Aktivitas fisik Total kolesterol Kebiasaan : Merokok Stress Sosial Ekonomi . Faktor lain juga adalah sosial ekonomi yang dapat dilihat dari income. 6) Melakukan pengujian adanya kolinearitas Melihat nilai r pada bivariat dan melihat nilai FIV pada multivariat F. Dapat dilihat dari normal probability plot atau boxwhisker plot atu K-S test.6 5) Normalitas Lihat kenormalan E atau residu. Hal yang tidak kalah penting mempengaruhi kolesterol adalah kadar HDL dan trigliserid dalam darah. Status gizi dapat diukur dari rasio lingkar pinggang. intake energi.Income 6 . Contoh kasus Penyakit jantung koroner merupakan salah satu penyakit yang menyebabkan kematian. Selain itu status gizi seseorang juga dapat mempengaruhi kadar kolesterol. Tingginya kolesterol dalam darah merupakan suatu indikator seseorang beresiko untuk menderita penyakit jantung koroner. Penyakit jantung koroner disebabkan karena terjadinya penyumbatan pada pembuluh darah arteri. Aktifitas fisik dan kebiasaan merokok serta stress juga diduga mempengaruhi kolesterol darah.

0 5 7 .8 5 1 .0 7 3 . ( 2 .1 4 9 .5 0 3 3 8 .5 5 2 .0 7 2 D if f e r e n c e s P o s it iv e .0 6 5 .8 7 4 1 .4 3 0 .T e s t d is t r ib u t io n is N o r m a l.. Stress dan Income maka analisa regresi linier ganda dapat dilanjutkan.6 7 6 . b .6 1 5 7 .3 1 7 .C a lc u l a t e d f r o m d a t a .2 5 0 2 .1 1 1 3 5 .0 6 6 -. Rasio lingkar pinggang..0 6 1 K o lm o g o r o v .9 5 9 .6 4 4 A s y m p . Intake energi.0 8 9 .7 6 8 . - Klik analyze → non parametrik → test 1 sampel K-S Masukkan variabel-variabel yang mempunyai data Pada test distribution pilih “Normal” Lihat p –value kolmogorov smirnov pada out put Jika variabel dependen terutama berdistribusi normal Variabel numerik adalah : numerik baik independen maupun dependen ke dalam kotak “test variabel list”.. Lakukan uji kolmogorov smirnov 1 sampel.0 2 2 9 .8 0 1 a .S a m p le K o lm o g o r o v .4 2 M o s t E x t r e m e A b s o lu t e ..8 7 8 . D e v ia t io n 6 . Lemak.2 9 0 2 4 1 .4 6 4 .2 4 1 .0 5 5 . O n e .0 9 8 ..1 9 4 2 2 .5 8 3 4 .7 Langkah-langkah b.6 6 9 .1 4 9 .0 6 6 .1 4 0 -.0 6 1 .0 6 6 .0 8 6 .9 8 1 .1 4 0 .1 0 7 .8 8 1 1 2 .6 9 1 6 .2 1 5 .1 5 3 1 .3 3 3 .0 7 2 N e g a t iv e -.0 0 0 .0 9 8 . Trigliserida.0 8 9 . Aktivitas fisik.S m ir n o v Z . Asumsi univariat untuk mengetahui kenormalan data.0 8 8 .2 4 1 .8 5 8 8 2 3 0 .0 8 9 ..0 8 2 .0 9 5 .0 3 8 . S ig . Dari hasil test kolmogorov smirnov terlihat bahwa ada satu variabel yang tidak berdistribusi normal yaitu kadar trigliserid 7 . Serat.0 9 S t d .0 9 5 .t a ile d ) .S m ir n o v T e s t R a s io L in g k a ro t a l T Kadar P in g g a n g k o le s t e r o la d a r H T lr ig li s e r In t a k e e n e rLge i m a k S e r a t A k t if it a s f is ik R E S S C O M E K d id ST IN N 80 80 80 80 80 80 80 80 80 80 .5 8 9 .4 9 3 E .8 4 1 4 3 2 .0 7 9 .4 6 1 5 8 ..0 8 6 .5 9 6 .3 1 7 .7 9 5 . N o r m a l P a r aa mb e Me er s n t a . HDL.1 0 7 .0 9 4 7 .

00 10 . Kriterianya adalah variabel yang p valuenya < 0.00 11 . 22. Setelah dicoba menghilangkan data yang ekstrim ternyata distribusi tetap tidak normal. c. 29. 6. 2. 8 . 1.00 8 . Asumsi korelasi bivariat Tujuannya adalah untuk menseleksi variabel yang akan menjadi kandidat model regresi linier ganda. Langkahnya adalah : Analyze descriptive explore plot steam and leaf Kadar Trigliserid Stem-and-Leaf Plot Frequency Stem & Leaf (=<69) 15589 15 0 13 0222566666777788889999 00001111222233334444555566667 1 0 (>=161) 11.25 dapat masuk sebagai kandidat model regresi linier ganda. Jumlah sampel yang digunakan adalah 80.00 13 .00 Extremes Stem width: Each leaf: 10 1 case(s) Dari diagram terlihat ada 17 responden yang mempunyai nilai ekstrim yaitu 11 orang dengan kadar trigliserid ≤ 69 dan 6 responden ≥ 161.00 14 . Sebaiknya data ekstrim dihilangkan. 1.00 Extremes 5.00 7 .00 9 . . Walupun demikian variabel trigliserida tetap diikutkan dalam analisis karena variabel dependen sudah berdistribusi normal.00 15 . 2.8 Untuk lebih jelasnya terhadap variabel tidak normal dilihat dengan diagram steam and leaf plot.00 12 . 1.

9 8 9 80 80 80 80 .0 1 3 .0 8 7 .4 6 4 ** .1 8 0 .ta ile d ) .1 4 6 .0 8 7 .4 4 5 .0 2 1 .2 7 7 * .8 3 3 N 80 80 80 80 80 80 ST RESS P e a r s o n C o r r e la tio n .0 0 0 .1 0 2 ..0 8 1 .1 0 6 .6 5 8 .2 4 7 ng * 1 .0 9 1 .0 4 1 . .0 5 1 .0 4 1 .8 5 2 .1 3 3 .0 0 9 .1 6 1 ..4 6 4 ** ..0 8 1 .3 6 9 .0 7 6 -.0 9 0 .0 6 6 .2 2 3 .ta ile d ) .1 2 5 -.3 4 2 ** ..1 4 4 .9 8 2 .0 0 0 .ta ile d ) .1 0 6 80 80 80 80 .0 8 7 .1 2 5 .3 1 4 ** 1 .0 5 0 .0 0 1 .1 3 7 .6 5 8 .ta ile d ) .2 1 9 .ta ile d ) .0 0 0 . ( 2 .7 1 5 .2 0 6 .0 0 0 .2 1 2 .1 9 2 ..8 5 2 80 80 80 80 .0 1 6 . N 80 80 80 80 80 80 S e ra t P e a r s o n C o r r e la tio n .0 0 2 .0 5 9 .1 9 7 1 .1 5 4 .2 0 1 ..0 0 4 .0 5 0 .0 1 3 ..2 0 1 N 80 80 80 80 80 80 R a s io L in g k a r P in g g aP e a r s o n C o r r e la tio n .0 2 4 .4 7 4 .0 0 0 S ig .0 5 1 .1 3 8 .0 8 7 . ( 2 .4 2 7 ** . ( 2 .0 4 7 . **.1 3 8 .0 9 1 -.0 6 0 .4 4 5 .7 1 5 . C o r re la tio n is s ig n ific a n t a t th e 0 .0 0 4 .1 9 7 .2 7 7 * .5 0 2 .0 4 3 S ig . ( 2 .0 0 0 .0 8 1 . .. ( 2 .3 6 9 .1 6 8 .0 0 0 .5 0 2 .0 4 7 1 .2 2 3 N 80 80 80 80 80 80 In ta k e e n e r g i P e a r s o n C o r r e la tio n .2 4 7 * .1 9 2 .0 0 0 . ( 2 ..1 8 2 .2 2 2 .0 0 3 .0 6 6 80 80 80 80 . C o r re la tio n is s ig n ific a n t a t th e 0 .0 4 1 .4 7 4 80 80 80 80 ..9 Pilih analyze → correlate → Bivariat C o r r e la t io n s T o ta l R a s io L in g k a r Kadar k o le s te r o l P in g g a n g K a d a r Hd l T r ig lis e rid In ta k e e n e r g i L e m a k T o ta l k o le s te r o l P e a r s o n C o r r e la tio n 1 .0 0 0 .1 3 3 S ig .7 1 5 .0 4 1 .0 0 0 .1 1 0 N 80 80 80 80 80 80 K a d a r T rig lis e rid P e a r s o n C o r r e la tio n .3 6 2 ** . ( 2 .4 4 5 .0 7 9 .0 8 1 80 80 80 80 . ( 2 .2 2 2 .2 9 1 ** ..2 6 9 .ta ile d ) .3 6 2 ** .0 0 0 N 80 80 80 80 80 80 A k tifita s fis ik P e a r s o n C o r r e la tio n .0 5 9 ..0 0 0 .0 8 7 .0 2 1 .0 7 6 .4 2 7 ** . . .ta ile d ) .2 6 9 .2 1 2 .0 0 0 .1 5 4 ..1 6 8 .2 9 1 ** .9 8 2 .4 8 5 .0 0 1 .4 2 2 .ta ile d ) . ( 2 .ta ile d ).1 9 7 .7 0 5 80 80 80 80 1 .6 0 7 ** 1 .4 2 2 80 80 80 80 .0 0 2 ..6 7 9 .2 3 8 .7 0 5 N 80 80 80 80 80 80 *.0 9 0 S ig .0 2 7 .4 7 3 ** S ig . .4 4 5 .1 1 0 .8 9 1 .1 8 0 S ig .1 0 2 .ta ile d ) .ta ile d ) .0 1 6 .9 8 9 .ta ile d ) .0 0 0 . .0 0 0 .1 9 7 .2 3 8 N 80 80 80 80 80 80 K a d a r Hd l P e a r s o n C o r r e la tio n .0 0 0 N 80 80 80 80 80 80 Lemak P e a r s o n C o r r e la tio n .1 6 1 .4 2 6 N 80 80 80 80 80 80 INC O M E P e a r s o n C o r r e la tio n .0 0 2 .8 9 1 .0 0 4 .0 1 le v e l ( 2 .4 7 3 ** .0 0 4 .0 0 0 .0 0 9 .2 1 1 1 . S e r a t A k tifita s fis ik S T R E S S INC O M E ..7 1 5 .8 3 3 . .1 4 4 S ig . ( 2 .9 7 1 80 80 80 80 .0 2 4 S ig .9 7 1 .3 1 4 ** .1 4 6 ..0 0 0 .0 8 7 .0 0 2 . .0 5 le v e l ( 2 .1 8 2 .0 7 9 -.4 2 6 .3 4 2 ** 1 .2 1 1 .1 3 8 S ig ...6 7 9 .1 3 7 .6 0 7 ** S ig .0 0 3 .2 1 9 . 80 80 80 80 9 .2 0 6 .4 8 5 .0 2 7 .0 6 0 .1 3 8 1 .0 4 3 .

Untuk variabel kategorik maka dilakukan uji t independent sebagai berikut.1 .1 6 -2 5 .. Kadar HDL.3 7 8 .9 0 6 .1 5 3 .3 7 . 1.4 3 2 2 . aktivitas fisik.0 4 1 t .906 (>0. serat.5 adalah intake enenrgi.3 6 8 .3 5 -1 9 . Kadar Trigliserida dan Lemak. E r r o r S ig . stress dan income..3 2 3 assu m ed E q u a l v a r ia n c e s no t a ssum ed S ig .1 .9 2 F T o ta l k o le s te rE q u a l v a r ia n c e s ol 4 .8 7 9 .1 2 0 df P value variabel rokok adalah 0. Dengan demikian variabel independen yang diikutkan sebagai kandidat regresi linier ganda adalah : Rasio lingkar pinggang.25) sehingga tidak diikutkan pada model selanjutnya. Dengan demikian variabel-variabel tersebut tidak diikutkan lagi sebagai kandidat regresi linier berganda.9 4 1 1 .10 Dari tabel di atas variabel yang mempunyai nilai p-value > 0. Untuk mendeteksi korelasi antar variabel independen (kolinearitas) maka dilanjutkan lagi dengan uji pearson correlation yang hanya memasukkan variabel independen 10 . .ta ile dD iffe r e n c e D iffe r e n c e L o w e r ) Up p e r 78 1 4 .t e s t fo r E q u a lity o f M e a n s 9 5 % C o n fid e n c e In te r v a l o f th e D iffe r e n c e Mean S td .6 5 1 6 . Variabel rokok hasilnya adalah In d e p e n d e n t S a m p le s T e s t L e v e n e 's T e s t f o r E q u a lity o f V a r ia n c e s t. ( 2 .

.047 1. (2-tailed) N Pearson Correlation Sig.009 80 80 80 . independen dan semua variabel dependen dimasukkan kedalam kolom dependen Cat : Utk regresi linier : membuat interaksi  buat var baru dengan compute (*) var x1 * x2 11 . (2-tailed) N Pearson Correlation Sig.01 level (2-tailed). (2-tailed) N Pearson Correlation Sig. Caranya yaitu dengan mengeluarkan satu persatu variabel yang P valuenya >0.314 ** 1.009 . Semua variabel independen dimasukkan ke kotak independen dan variabel dependen dikotak dependen.180 .679 . 80 80 80 .138 .291 ** . Langkahnya adalah : - Pilih analyze → regression → linier Semua variabel independen dimasukkan ke kolom Pilih metode ENTER.238 80 .110 80 . 80 Rasio Lingkar Pinggang Kadar Hdl Kadar Trigliserid Lemak Pearson Correlation Sig.679 .000 . d.138 .314 ** .000 .223 80 1.11 Correlations Rasio Lingkar Kadar Pinggang Kadar Hdl Trigliserid 1.047 .110 .133 . Kemudian dilihat signifikansi variabel masing-masing secara statistik.180 .004 .004 80 80 80 .8 sehingga tidak ada masalah kolinearitas. (2-tailed) N **. . Pemodelan regresi linier ganda Metode yang dipakai untuk pemilihan variabel adalah metode enter.000 .223 80 80 80 Lemak . Dari tabel diatas terlihat bahwa tidak ada nilai r yang lebih dari 0.238 .000 . Correlation is significant at the 0.133 .291 ** .05 dimulai dari variabel yang mempunyai pvalue paling besar.

183 Standardi zed Coefficien ts Beta .41 a.264 2.517 (korelasi kuat.51– 0.000 a Regression Residual Total a.032 Sig.75) - = 0.381 . Output komputernya adalah M ode l Summary Model 1 R R Square .213 . Predictors: (Constant). Oleh karena itu maka keluarkan variabel satu persatu dimulai dari p-value paling besar untuk mendapatkan model yang fit. .485 645.036 58.759 F 14.929 .024 .619 46.7% sedangkan sisanya dijelaskan oleh variabel lain. Error of the Estimate 25.12 Coefficients a Model 1 (Constant) Rasio Lingkar Pinggang Kadar H dl Kadar Trigliserid Lemak Unstandardized Coefficients B Std.002 .248 artinya variabel total kolesterol dapat.267 Adjusted R Square .dijelaskan oleh variabel HDL (High Density Lipoprotein) dan Trigliserida sebesar 26.267 dan r 2adj Colton korelasi kuat dengan r= 0.970 49723. Kadar Hdl Terlihat : Nilai koefisien korelasi r = 0.387 df 2 77 79 Mean Square 9061.248 Std.091 6.036 t 2. Terlebih dahulu dikeluarkan variabel lemak dan selanjutnya variabel rasio lingkar pinggang. Dependent Variable: Total kolesterol 12 .718 a. Predictors: (Constant). Dependent Variable: Total kolesterol Dari tabel di atas terlihat bahwa masih ada variabel yang p-valuenya tidak signifikan.130 . Error 98.210 .300 42.022 .624E-02 . .305 3.403 .418 67846. Menurut Koefisien determinasi r2 = 0.362 Sig.240 .517a . Kadar Trigliserid. Kadar Trigliserid.346 .294 . Kadar Hdl b.338 1. Untuk melihat pemenuhan asumsi linier maka dilihat anovanya ANOVA b Model 1 Sum of Squares 18122.

970 49723.785 Sig.032 Sig.000 maka asumsi linier terpenuhi Hasil pemodelan regresi linier ganda Coefficients a Model 1 (Constant) Kadar H dl Kadar Trigliserid U nstandardized Coefficients B Std. .330 .023 .688 .239 .387 df 2 77 79 Mean Square 9061.502 18.418 67846. Error 148.946 2. Kadar Hdl b. Kadar Trigliserid. Dependent Variable: Total kolesterol Nilai p-Anova = 0.485 645. . Dependent Variable: Total kolesterol e.000 .000 a.759 F 14.000 a - Regression Residual Total a. Linearity Lakukan pengujian asumsi Pilih analyze → regression → linier Masukkan variabel dependen pada kotak dependen Masukkan variabel independen yang memenuhi syarat pada kotak independens Lihat Hasil anovanya ANOVAb Model 1 Sum of Squares 18122.925 . 1).329 3.389 t 7. Predictors: (Constant).397 . Eksistensi pada kotak independens - Pilih analyze → regression → linier Masukkan variabel dependen pada kotak dependen Masukkan variabel independen yang memenuhi syarat Pilih plot Pilih histogram dan normal probability plot 13 .13 Nilai p-Anova = 0.000 maka asumsi linier terpenuhi 2).087 Standardi zed Coefficien ts Beta .

09 1.000 Std.09 -1.987 N 80 80 80 80 a. Homocedasticity –13 = 0.92 53.03E-14 .21 -2.498 2. Predicted Value Std.14 outputnya adalah : Residuals Statistics Predicted Value Residual Std. Dependent Variable: Total kolesterol Nilai mean residual adalah nol yaitu 1. Jadi dengan demikian asumsi Lakukan analisa scatter-plot antara nilai prediksi stadar (ZPRED) dengan nilai residu standar (ZRESID) atau residu student (SRESID).121 a Mean 230.000 .90 2.000 .03x 10 eksistensi terpenuhi 3).86 -38.15 25. Deviation 15. Hasil scatter plotnya adalah 14 .504 Maximum 267. Residual Minimum 191.524 -1.

Error of the Estim ate 25.517 R Square .267 Adjusted R Square .973 Dengan demikian azas independency terpenuhi. Langkahnya sama dengan sebelumnya tapi dilanjutkan dengan memilih perintah : - Pilih statistik → Durbin Watson Model Sum ary m M odel 1 R .973 a. Predictors: (Constant).248 b a Std. Kadar H dl b.15 Regression Standardized Residual S a rp t c tte lo D p n e t V ria le T ta k le te l e e d n a b : o l o s ro 3 2 1 0 -1 -2 -3 -2 -1 0 1 2 3 R g s nS n a ize P d dV lu e re sio ta d rd d re icte a e Dari scatter plot terlihat bahwa scatter plot tidak membentuk suatu pola tertentu sehingga azas homocedasticity terpenuhi. Dependent Variable: Total kolesterol Terlihat bahwa hasil uji Durbin – Watson adalah 1. 4). Independency Dilakukan uji Durbin watson. 15 .41 Durbin-W atson 1. Kadar Trigliserid.

0 0 -1 0 .7 5 -.7 5 1 0 .0 N 8 .0 -.5 0 -.5 7 .0 1 5 .9 td e 9 Ma =0 0 e n .2 1 0 .0 .5 2 00 . Dv=.lo f e r s io ta d r iz d e id a D p n e t V r b : T ta k le teo e e d n aia le o l o s r l 10 .5 2 .2 -1 0 .5 -1 5 .5 0 .0 5 .2 5 .0 =0 0 R g s io S n a iz dR s u l e re s n ta d rd e e id a Nr a PPP t o R ge s nS n ad e R s u l oml .0 Expected Cum Prob . pada gambar dibawah ini H to r m is ga D p n e t V ria le T ta k le teo eedn a b : o l o s r l 2 0 Frequency 1 0 S .7 2 0 . Collinearity Dilihat dari nilai VIF.0 .5 7 10 . Multivariat normalitas Dilihat dari histogram dan normal P-P plot.0 5 .5 1 5 .0 00 .2 5 0 0 .16 5). Caranya adalah seperti pada gambar di bawah ini : 16 .0 Os r e C m r b b ev d u Po Terlihat bahwa azas multivariate normalitas terpenuhi 6).

05). Persamaan garis linier Persamaan linier yang diperoleh adalah : Total kolesterol = 148. .946 2.901 1.000 Collinearity Statistics Tolerance VIF . Analisis Interaksi Untuk selanjutnya dilakukan analisis apakah ada interaksi HDL dengan trigliserid terhadap total kolesterol.17 a Coe fficie nts Model 1 (Constant) Kadar Hdl Kadar Trigliserid Standardi zed Unstandardized Coefficien Coefficients ts B Std.000 .087 .688 .925 mg 17 .502 18. Hasilnya adalah sebagai berikut : Terlihat bahwa nilai p variabel interaksi adalah 0.785 Sig.33 (Trigliserida) Artinya adalah : • Setiap kenaikan HDl 1 mg mk total kolesterol akan bertambah sebanyak 0. Dengan demikian tidak terdapat interaksi antara HDL dan Trigliserida terhadap total kolesterol f.110 a. Dependent Variable: Total kolesterol Dari tabel terlihat bahwa nilai VIF dari collinearity statistics berada dibawah 10 sehingga azas colinearity terpenuhi.395 (> 0.925 .023 .901 . Error Beta 148.239 .329 3. Interpretasi hasil Interpretasi hasil ada dua : 1.397 . 5 + 0.110 1.925 (HDL) + 0. e.389 t 7.330 .

9 2 5 .3 9 7 .5 0 2 1 8 .3 8 9 a . Variabel yang mempunyai nilai beta yang paling tinggi atau nilai partial correlation paling tinggi.6 8 8 Ka d a r Hd l .33 mg 7.0 8 7 .7 8 5 C o rre la tio n s Sig .2 5 6 .0 0 0 . Variabel yang paling dominan Untuk menentukan variabel yang paling dominan maka dilihat dari nilai beta yang sudah distandarisasi. Setiap kenaikan triglieserida 1 mg mk total C o e ffic ie nats S ta n d a rd i ze d Un sta n d a rd ize d C o e fficie n C o e fficie n ts ts Model B S td . Erro r Be ta 1 (C o n sta n t) 1 4 8 .4 6 4 .2 2 7 . Ze ro -o rd e r Pa rtia l .2 3 9 Ka d a r T rig lise rid .3 6 9 Dari tabel di atas terlihat bahwa variabel yang paling dominan berhubungan dengan total kolesterol yang dilihat dari nilai beta terstandarisasi dan nilai correlations partial adalah kadar trigliserida 18 .0 2 3 .3 2 9 3 .18 • kolesterol akan meningkat 0.3 9 6 Pa rt . D e p en d e n t Va ria b le : T o ta l ko le ste ro l t 7 .3 3 0 .3 6 2 .0 0 0 .9 4 6 2 .

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->