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

6. Bila diperoleh p value < alpha maka model berbentuk linier. Colinearity Apakah tidak terdapat korelasi antar variabel independen. scedastic = scattered.3 3. Homocedasticity Homo = sama . Linieritas Mean nilai Y adalah fungsi garis lurus dari Xi yang dibentuk dari persamaan regresi. Jika nilai FIV < 10 maka tidak terjadi kolinearitas. 4. 5. Tapi jika titik tebaran membentuk pola tertentu seperti berkelompok di bawah atau di atas garis tengah nol maka asumsi homoscedasticity tidak terpenuhi. Yaitu varian setiap nilai variabel Y sama untuk setiap nilai variabel x. sehingga asumsi homoscedasticity terpenuhi. 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. Bila data menyebar di sekitar garis diagonal dan mengikuti arah diagonal maka asumsi normalitas terpenuhi. D. x2. 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. Dilihat dari nilai r. jika r < 0. …. Multivariat Normalitas Untuk nilai X yang fix maka nilai y akan berdistribusi normal. Pemilihan variabel independen 3 . Selain itu dapat juga diketahui dari nilai VIF atau tolerance. Perlu diketahui apakah variabel Y berdistribusi normal gabungan x1. Bila titik tebaran tidak mempunyai pola tertentu dan menyebar merata di sekitar garis titik nol residual maka varian homogen pada setiap nilai X.. Asumsi linearitas dapat diketahui dengan uji Anova (overall F test). xn. Namun jika sebaliknya data menyebar jauh dari garis diagonal maka asumsi normalitas tidak terpenuhi.. 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). Pada plot residual dilihat titik tebarannya.8 maka tidak terjadi kolinearitas. Asumsi normalitas dapat diketahui dari P-P plot residual. Asumsi homoscedasticity dapat diketahui dengan membuat plot residual.

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

Karena dengan metode ini peneliti secara aktif terlibat dalam proses pemilihan variabel dengan pertimbangan secara statistik dan substansi sesuai tahap demi tahap. Metode BACKWARD Yaitu dengan memasukkan semua variabel ke dalam model.1 d. kemudian satu persatu variabel yang tidak memenuhi kriteria kemaknaan statistik tertentu dikeluarkan dari model. 6. 5 . Metode REMOVE Mengeluarkan semua variabel independen dengan serentak tanpa melewati kriteria kemaknaan tertentu. e. Bila tak ada pola tertentu di sekitar nilai nol residu dapat disebut varians Y homogen pada setiap nilai X. Kriteria pengeluaran atau P-out (POUT) adalah 0. Pada metode stepwise dimulai dari tanpa variabel sama sekali 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.05 maka asumsi liniearitas terpenuhi Lihat plot antara residu dengan nilai Y dugaan. Dari metode di atas metode yang paling sering digunakan adalah metode enter. Kemudian satu persatu variabel hasil pengkorelasian variabel dimasukkan ke dalam model dan dikeluarkan dari model dengan kriteria yang sudah ditetapkan. Variabel yang pertama masuk adalah variabel yang mmepunyai korelasi parsial terbesar . c. Kalau ada artinya asumsi terpenuhi Lakukan uji Durbin-watson Lihat hasil uji anova. Jika P< 0.05 maka dapat masuk ke dalam model.05 yaitu jika variabel mempunyai nilai P ≤ 0.5 SPSS kriteria variabel yang masuk P-in (PIN) 0.1 yang artinya variabel yang keluar dari model adalah variabel yang mempunyai nilai P ≥ 0. Variabel pertama yang dikeluarkan adalh variabel yang mmepunyai korelasi parsial terkecil dengan variabel dependen. Metode STEPWISE Merupakan kombinasi antara metode backward dan forward. Setelah masuk variabel pertama ini diperiksa apa sudah memenuhi kriteria atau perlu keluar dari model seperti pada metoda backward.

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

0 6 6 .9 8 1 .7 6 8 ..8 7 8 .8 5 8 8 2 3 0 .1 4 0 .1 4 9 .3 1 7 .0 6 6 -.6 7 6 .0 8 8 .0 8 9 .4 3 0 . S ig . Rasio lingkar pinggang.8 0 1 a ..0 5 5 .8 7 4 1 . N o r m a l P a r aa mb e Me er s n t a .0 8 2 .2 4 1 .6 1 5 7 .6 9 1 6 . D e v ia t io n 6 .0 3 8 .3 3 3 .0 0 0 .0 6 1 K o lm o g o r o v .S a m p le K o lm o g o r o v .1 9 4 2 2 .3 1 7 .0 8 6 . Trigliserida. Lemak. Aktivitas fisik..5 8 9 .4 6 4 .0 9 5 .8 8 1 1 2 .9 5 9 .0 9 8 .0 9 8 .4 2 M o s t E x t r e m e A b s o lu t e .1 5 3 1 .1 4 9 . Serat. Intake energi. - 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”. Stress dan Income maka analisa regresi linier ganda dapat dilanjutkan..0 6 6 .6 4 4 A s y m p . Dari hasil test kolmogorov smirnov terlihat bahwa ada satu variabel yang tidak berdistribusi normal yaitu kadar trigliserid 7 .0 7 2 D if f e r e n c e s P o s it iv e .2 9 0 2 4 1 .7 9 5 ..0 9 S t d .0 8 9 .0 2 2 9 .2 1 5 ..0 6 1 .4 9 3 E .2 5 0 2 .5 0 3 3 8 .1 0 7 . Asumsi univariat untuk mengetahui kenormalan data.0 7 9 .5 9 6 .6 6 9 . Lakukan uji kolmogorov smirnov 1 sampel.7 Langkah-langkah b.. b .1 4 0 -.0 7 2 N e g a t iv e -.0 7 3 .1 1 1 3 5 .8 5 1 .C a lc u l a t e d f r o m d a t a .0 5 7 . ( 2 .t a ile d ) . HDL.4 6 1 5 8 .1 0 7 .S m ir n o v Z .2 4 1 .0 8 6 .T e s t d is t r ib u t io n is N o r m a l.0 6 5 .0 9 4 7 .0 9 5 .0 8 9 .5 8 3 4 .5 5 2 .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 . O n e .8 4 1 4 3 2 .

2.00 8 . 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) 11.00 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. Kriterianya adalah variabel yang p valuenya < 0.00 Extremes 5. Walupun demikian variabel trigliserida tetap diikutkan dalam analisis karena variabel dependen sudah berdistribusi normal.00 10 .00 12 .00 9 . 29. 6.8 Untuk lebih jelasnya terhadap variabel tidak normal dilihat dengan diagram steam and leaf plot. . 1.00 11 . c. 1. Jumlah sampel yang digunakan adalah 80. 1.00 14 . Setelah dicoba menghilangkan data yang ekstrim ternyata distribusi tetap tidak normal. Sebaiknya data ekstrim dihilangkan.25 dapat masuk sebagai kandidat model regresi linier ganda. Asumsi korelasi bivariat Tujuannya adalah untuk menseleksi variabel yang akan menjadi kandidat model regresi linier ganda.00 7 . 8 . 2. 22.00 13 .00 15 .

0 0 0 .0 0 0 .0 0 4 .2 7 7 * .ta ile d ) .0 0 0 . .7 1 5 .2 1 2 .3 4 2 ** 1 . ( 2 . ( 2 .0 4 3 . **.9 7 1 80 80 80 80 .0 8 7 .0 2 4 S ig .2 6 9 .0 0 4 .0 2 1 .0 5 0 .1 8 2 .4 4 5 .4 7 3 ** .2 1 9 .0 7 6 -.3 6 9 .2 3 8 .0 5 1 .1 4 4 S ig .1 6 8 .1 8 0 S ig .8 3 3 .0 0 4 .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 .0 9 0 .ta ile d ).ta ile d ) .ta ile d ) .0 0 2 .0 0 2 .1 6 1 .0 4 1 .4 6 4 ** .4 2 2 .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 .0 6 6 .0 1 6 .0 0 0 .0 5 1 ..0 5 le v e l ( 2 ..9 8 9 .1 3 8 .0 8 1 .6 0 7 ** S ig . .2 1 9 .1 9 7 .1 2 5 .1 9 2 .0 7 9 -.9 8 2 ..4 4 5 .2 4 7 * .2 2 2 .6 5 8 .ta ile d ) . .8 9 1 .3 4 2 ** .0 8 7 . .4 4 5 .0 1 3 .0 0 0 .6 7 9 .0 6 6 80 80 80 80 .6 7 9 .7 1 5 .0 2 7 .8 5 2 ..0 2 1 .0 8 1 .3 6 9 .3 1 4 ** 1 .0 8 7 .1 3 7 .1 8 2 .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 . ( 2 .0 5 9 .0 7 9 . .1 2 5 -.0 0 0 .0 0 0 .0 6 0 .2 6 9 .0 5 0 .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 .2 0 1 .4 7 4 .0 1 le v e l ( 2 .1 0 2 .1 5 4 .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 .4 4 5 . .0 4 7 1 .2 2 2 .ta ile d ) .2 7 7 * .4 7 4 80 80 80 80 .1 3 7 .0 7 6 .0 4 3 S ig .1 3 3 .6 0 7 ** 1 . ( 2 .1 5 4 ..1 9 7 .0 0 0 .. C o r re la tio n is s ig n ific a n t a t th e 0 .0 0 3 .2 0 6 .0 0 0 .0 8 7 .5 0 2 .0 5 9 .4 2 7 ** .8 5 2 80 80 80 80 .1 1 0 .1 9 7 .0 0 0 .1 4 6 .ta ile d ) ..9 8 9 80 80 80 80 . ( 2 ..2 9 1 ** .0 0 2 . .1 0 2 .0 9 1 .2 2 3 .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 9 .0 0 2 .3 6 2 ** .0 9 1 -.6 5 8 .4 2 6 .8 9 1 .0 0 3 .3 6 2 ** .4 6 4 ** ..0 0 0 .0 8 7 .0 2 7 .1 9 7 1 .ta ile d ) .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 .7 0 5 80 80 80 80 1 ..4 2 7 ** .4 8 5 .0 9 0 S ig .0 0 4 .ta ile d ) .1 4 6 .1 3 8 1 .7 1 5 .0 0 0 .0 0 0 . .0 4 7 .0 4 1 . ( 2 .0 8 1 .2 1 2 .ta ile d ) .0 0 0 .1 3 8 .1 8 0 .1 0 6 .2 9 1 ** .5 0 2 . 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 .1 6 1 . S e r a t A k tifita s fis ik S T R E S S INC O M E .0 2 4 .4 8 5 .0 8 7 .9 8 2 ..0 0 1 .0 4 1 .ta ile d ) .2 4 7 ng * 1 .1 6 8 . ( 2 .0 0 1 .2 1 1 .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 . ( 2 .0 0 9 .. ( 2 .2 1 1 1 .4 2 2 80 80 80 80 .1 9 2 ..ta ile d ) .3 1 4 ** .0 8 1 80 80 80 80 .2 0 6 .7 1 5 . ( 2 ..9 7 1 .0 4 1 .4 7 3 ** S ig .1 3 3 S ig ..0 1 6 . 80 80 80 80 9 .1 0 6 80 80 80 80 .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 .1 4 4 .0 0 0 S ig .... C o r re la tio n is s ig n ific a n t a t th e 0 .0 1 3 .1 3 8 S ig .7 0 5 N 80 80 80 80 80 80 *.0 0 0 .0 6 0 .

9 0 6 .0 4 1 t . Dengan demikian variabel-variabel tersebut tidak diikutkan lagi sebagai kandidat regresi linier berganda. 1.4 3 2 2 .3 7 .1 2 0 df P value variabel rokok adalah 0. Kadar Trigliserida dan Lemak.9 4 1 1 .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 . ( 2 .10 Dari tabel di atas variabel yang mempunyai nilai p-value > 0.25) sehingga tidak diikutkan pada model selanjutnya.5 adalah intake enenrgi. Untuk mendeteksi korelasi antar variabel independen (kolinearitas) maka dilanjutkan lagi dengan uji pearson correlation yang hanya memasukkan variabel independen 10 .3 6 8 .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 . Kadar HDL. aktivitas fisik.1 5 3 .3 5 -1 9 . Dengan demikian variabel independen yang diikutkan sebagai kandidat regresi linier ganda adalah : Rasio lingkar pinggang.6 5 1 6 .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 . 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. E r r o r S ig .. .8 7 9 . serat. stress dan income.3 7 8 .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 .1 . Untuk variabel kategorik maka dilakukan uji t independent sebagai berikut..1 6 -2 5 .1 .906 (>0.

047 .138 . Correlation is significant at the 0. (2-tailed) N **.180 . Caranya yaitu dengan mengeluarkan satu persatu variabel yang P valuenya >0.291 ** .223 80 1. 80 80 80 .004 .047 1. d.004 80 80 80 .223 80 80 80 Lemak .11 Correlations Rasio Lingkar Kadar Pinggang Kadar Hdl Trigliserid 1. . Semua variabel independen dimasukkan ke kotak independen dan variabel dependen dikotak dependen.009 .314 ** 1.000 .05 dimulai dari variabel yang mempunyai pvalue paling besar. Kemudian dilihat signifikansi variabel masing-masing secara statistik.009 80 80 80 .238 80 . Dari tabel diatas terlihat bahwa tidak ada nilai r yang lebih dari 0.110 80 .133 . (2-tailed) N Pearson Correlation Sig.138 .110 .8 sehingga tidak ada masalah kolinearitas.01 level (2-tailed). (2-tailed) N Pearson Correlation Sig. 80 Rasio Lingkar Pinggang Kadar Hdl Kadar Trigliserid Lemak Pearson Correlation Sig. Pemodelan regresi linier ganda Metode yang dipakai untuk pemilihan variabel adalah metode enter. .000 . 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.679 .291 ** .000 .180 .133 .000 . Langkahnya adalah : - Pilih analyze → regression → linier Semua variabel independen dimasukkan ke kolom Pilih metode ENTER.238 .314 ** .679 .

Kadar Trigliserid.338 1.240 .12 Coefficients a Model 1 (Constant) Rasio Lingkar Pinggang Kadar H dl Kadar Trigliserid Lemak Unstandardized Coefficients B Std. Error of the Estimate 25.41 a.387 df 2 77 79 Mean Square 9061.002 .300 42.362 Sig.022 .248 artinya variabel total kolesterol dapat.51– 0. Dependent Variable: Total kolesterol 12 . Dependent Variable: Total kolesterol Dari tabel di atas terlihat bahwa masih ada variabel yang p-valuenya tidak signifikan.75) - = 0. Predictors: (Constant).929 .624E-02 .000 a Regression Residual Total a. . Kadar Hdl b.381 . Menurut Koefisien determinasi r2 = 0.403 .759 F 14.267 Adjusted R Square . Oleh karena itu maka keluarkan variabel satu persatu dimulai dari p-value paling besar untuk mendapatkan model yang fit.dijelaskan oleh variabel HDL (High Density Lipoprotein) dan Trigliserida sebesar 26.418 67846.024 .183 Standardi zed Coefficien ts Beta . Output komputernya adalah M ode l Summary Model 1 R R Square .036 58.970 49723.294 .7% sedangkan sisanya dijelaskan oleh variabel lain.091 6. Predictors: (Constant).718 a. Error 98.517 (korelasi kuat.210 .267 dan r 2adj Colton korelasi kuat dengan r= 0.346 .485 645.213 .619 46. Kadar Trigliserid. Untuk melihat pemenuhan asumsi linier maka dilihat anovanya ANOVA b Model 1 Sum of Squares 18122.032 Sig. Kadar Hdl Terlihat : Nilai koefisien korelasi r = 0. Terlebih dahulu dikeluarkan variabel lemak dan selanjutnya variabel rasio lingkar pinggang.264 2.517a . .130 .248 Std.036 t 2.305 3.

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 = 0.023 . 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 18122.785 Sig.759 F 14.389 t 7. Kadar Trigliserid.397 . .502 18.000 maka asumsi linier terpenuhi 2).330 .239 . Kadar Hdl b. Dependent Variable: Total kolesterol Nilai p-Anova = 0.000 .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.329 3.087 Standardi zed Coefficien ts Beta . Predictors: (Constant).387 df 2 77 79 Mean Square 9061.000 a.000 a - Regression Residual Total a.418 67846.946 2.925 .485 645. Error 148.970 49723. .688 . Dependent Variable: Total kolesterol e. 1).032 Sig.

Homocedasticity –13 = 0.524 -1. Deviation 15.000 .000 Std.90 2.92 53.15 25.09 -1.498 2.03x 10 eksistensi terpenuhi 3).09 1.987 N 80 80 80 80 a.000 . Residual Minimum 191.03E-14 .504 Maximum 267. 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. Predicted Value Std. Hasil scatter plotnya adalah 14 .14 outputnya adalah : Residuals Statistics Predicted Value Residual Std.21 -2.86 -38.

41 Durbin-W atson 1. Predictors: (Constant). Kadar Trigliserid. Independency Dilakukan uji Durbin watson. 15 . Langkahnya sama dengan sebelumnya tapi dilanjutkan dengan memilih perintah : - Pilih statistik → Durbin Watson Model Sum ary m M odel 1 R .248 b a Std. Error of the Estim ate 25. Dependent Variable: Total kolesterol Terlihat bahwa hasil uji Durbin – Watson adalah 1. Kadar H dl b.973 Dengan demikian azas independency terpenuhi.973 a.517 R Square . 4).267 Adjusted R Square .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.

2 1 0 .2 -1 0 .5 -1 5 .0 N 8 .5 2 .0 1 5 .5 0 .0 Expected Cum Prob .2 5 0 0 .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 . Multivariat normalitas Dilihat dari histogram dan normal P-P plot.5 2 00 .7 2 0 .5 7 . 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 .5 0 -.0 0 -1 0 .5 7 10 .16 5).0 .0 5 .7 5 1 0 .2 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).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 .7 5 -.0 5 .0 00 .5 1 5 . Collinearity Dilihat dari nilai VIF.0 -.0 .9 td e 9 Ma =0 0 e n . Dv=.

Dengan demikian tidak terdapat interaksi antara HDL dan Trigliserida terhadap total kolesterol f. Error Beta 148. 5 + 0.110 a.05).087 .000 Collinearity Statistics Tolerance VIF .329 3. Analisis Interaksi Untuk selanjutnya dilakukan analisis apakah ada interaksi HDL dengan trigliserid terhadap total kolesterol.901 . e.901 1.110 1.17 a Coe fficie nts Model 1 (Constant) Kadar Hdl Kadar Trigliserid Standardi zed Unstandardized Coefficien Coefficients ts B Std.395 (> 0.389 t 7.946 2. Dependent Variable: Total kolesterol Dari tabel terlihat bahwa nilai VIF dari collinearity statistics berada dibawah 10 sehingga azas colinearity terpenuhi.330 .397 .023 . . Hasilnya adalah sebagai berikut : Terlihat bahwa nilai p variabel interaksi adalah 0.502 18. Interpretasi hasil Interpretasi hasil ada dua : 1.239 .925 (HDL) + 0.925 mg 17 .688 .33 (Trigliserida) Artinya adalah : • Setiap kenaikan HDl 1 mg mk total kolesterol akan bertambah sebanyak 0.785 Sig.000 . Persamaan garis linier Persamaan linier yang diperoleh adalah : Total kolesterol = 148.925 .

Variabel yang mempunyai nilai beta yang paling tinggi atau nilai partial correlation paling tinggi.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 .3 9 6 Pa rt .0 2 3 .3 9 7 .6 8 8 Ka d a r Hd l .0 0 0 .3 8 9 a .3 3 0 .7 8 5 C o rre la tio n s Sig . D e p en d e n t Va ria b le : T o ta l ko le ste ro l t 7 .0 8 7 .9 4 6 2 .3 6 2 .2 2 7 .0 0 0 .2 3 9 Ka d a r T rig lise rid .5 0 2 1 8 .4 6 4 . Erro r Be ta 1 (C o n sta n t) 1 4 8 . 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 .9 2 5 .33 mg 7. Ze ro -o rd e r Pa rtia l .2 5 6 . Variabel yang paling dominan Untuk menentukan variabel yang paling dominan maka dilihat dari nilai beta yang sudah distandarisasi.3 2 9 3 .18 • kolesterol akan meningkat 0.

Sign up to vote on this title
UsefulNot useful