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

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

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

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

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

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

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

00 8 . Kriterianya adalah variabel yang p valuenya < 0.00 9 .00 13 . Asumsi korelasi bivariat Tujuannya adalah untuk menseleksi variabel yang akan menjadi kandidat model regresi linier ganda. 29.25 dapat masuk sebagai kandidat model regresi linier ganda.00 12 . 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) 11.8 Untuk lebih jelasnya terhadap variabel tidak normal dilihat dengan diagram steam and leaf plot. Walupun demikian variabel trigliserida tetap diikutkan dalam analisis karena variabel dependen sudah berdistribusi normal. Setelah dicoba menghilangkan data yang ekstrim ternyata distribusi tetap tidak normal. . 6. 1.00 10 . c.00 15 . 2.00 Extremes 5.00 7 . 1.00 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. 22. Sebaiknya data ekstrim dihilangkan.00 11 . 8 .00 14 . 1. 2. Jumlah sampel yang digunakan adalah 80.

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

. Untuk variabel kategorik maka dilakukan uji t independent sebagai berikut. Kadar Trigliserida dan Lemak. stress dan income.10 Dari tabel di atas variabel yang mempunyai nilai p-value > 0. E r r o r S ig . 1.3 5 -1 9 . Untuk mendeteksi korelasi antar variabel independen (kolinearitas) maka dilanjutkan lagi dengan uji pearson correlation yang hanya memasukkan variabel independen 10 .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 .5 adalah intake enenrgi.3 7 . serat.1 6 -2 5 .1 .3 7 8 . 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.1 .1 5 3 ..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 .25) sehingga tidak diikutkan pada model selanjutnya. Kadar HDL. Dengan demikian variabel-variabel tersebut tidak diikutkan lagi sebagai kandidat regresi linier berganda.4 3 2 2 . ( 2 .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 .9 4 1 1 .9 0 6 .6 5 1 6 ..8 7 9 .0 4 1 t . aktivitas fisik.906 (>0.1 2 0 df P value variabel rokok adalah 0. Dengan demikian variabel independen yang diikutkan sebagai kandidat regresi linier ganda adalah : Rasio lingkar pinggang.3 6 8 .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 .

004 80 80 80 .01 level (2-tailed).180 . .000 . 80 Rasio Lingkar Pinggang Kadar Hdl Kadar Trigliserid Lemak Pearson Correlation Sig. Caranya yaitu dengan mengeluarkan satu persatu variabel yang P valuenya >0. Pemodelan regresi linier ganda Metode yang dipakai untuk pemilihan variabel adalah metode enter.000 . Semua variabel independen dimasukkan ke kotak independen dan variabel dependen dikotak dependen.05 dimulai dari variabel yang mempunyai pvalue paling besar.291 ** .138 . (2-tailed) N Pearson Correlation Sig. Langkahnya adalah : - Pilih analyze → regression → linier Semua variabel independen dimasukkan ke kolom Pilih metode ENTER.223 80 1.004 .223 80 80 80 Lemak .138 .679 . Dari tabel diatas terlihat bahwa tidak ada nilai r yang lebih dari 0.291 ** .110 .8 sehingga tidak ada masalah kolinearitas. independen dan semua variabel dependen dimasukkan kedalam kolom dependen Cat : Utk regresi linier : membuat interaksi  buat var baru dengan compute (*) var x1 * x2 11 .047 .180 .238 80 . 80 80 80 .679 . d.133 .009 . (2-tailed) N Pearson Correlation Sig.11 Correlations Rasio Lingkar Kadar Pinggang Kadar Hdl Trigliserid 1. Kemudian dilihat signifikansi variabel masing-masing secara statistik.000 . (2-tailed) N Pearson Correlation Sig. (2-tailed) N **.314 ** .133 . .009 80 80 80 . Correlation is significant at the 0.314 ** 1.000 .110 80 .047 1.238 .

267 dan r 2adj Colton korelasi kuat dengan r= 0.036 t 2.305 3.300 42.51– 0.183 Standardi zed Coefficien ts Beta .210 . .381 .418 67846. Error of the Estimate 25. Error 98.024 .387 df 2 77 79 Mean Square 9061.264 2.338 1.718 a.213 . Predictors: (Constant).240 .036 58.403 .294 .346 .970 49723.032 Sig.000 a Regression Residual Total a.022 . Untuk melihat pemenuhan asumsi linier maka dilihat anovanya ANOVA b Model 1 Sum of Squares 18122.75) - = 0.362 Sig.091 6. Menurut Koefisien determinasi r2 = 0. Predictors: (Constant).619 46. Kadar Trigliserid. Output komputernya adalah M ode l Summary Model 1 R R Square . Dependent Variable: Total kolesterol 12 . Kadar Hdl b.517a .002 . Kadar Hdl Terlihat : Nilai koefisien korelasi r = 0. Dependent Variable: Total kolesterol Dari tabel di atas terlihat bahwa masih ada variabel yang p-valuenya tidak signifikan.929 .267 Adjusted R Square .624E-02 . Oleh karena itu maka keluarkan variabel satu persatu dimulai dari p-value paling besar untuk mendapatkan model yang fit. .41 a.517 (korelasi kuat.248 artinya variabel total kolesterol dapat. Kadar Trigliserid. Terlebih dahulu dikeluarkan variabel lemak dan selanjutnya variabel rasio lingkar pinggang.130 .dijelaskan oleh variabel HDL (High Density Lipoprotein) dan Trigliserida sebesar 26.759 F 14.12 Coefficients a Model 1 (Constant) Rasio Lingkar Pinggang Kadar H dl Kadar Trigliserid Lemak Unstandardized Coefficients B Std.7% sedangkan sisanya dijelaskan oleh variabel lain.485 645.248 Std.

330 .925 .000 a - Regression Residual Total a. Dependent Variable: Total kolesterol e.946 2.000 maka asumsi linier terpenuhi 2).329 3.502 18.032 Sig.13 Nilai p-Anova = 0. . Kadar Trigliserid.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.970 49723.785 Sig. Dependent Variable: Total kolesterol Nilai p-Anova = 0. Error 148. .000 a. Kadar Hdl b.485 645. Predictors: (Constant). 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. 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 .087 Standardi zed Coefficien ts Beta .397 .387 df 2 77 79 Mean Square 9061.239 . 1).688 .759 F 14.023 .389 t 7.000 .418 67846.

09 -1. Jadi dengan demikian asumsi Lakukan analisa scatter-plot antara nilai prediksi stadar (ZPRED) dengan nilai residu standar (ZRESID) atau residu student (SRESID).09 1.000 .498 2.121 a Mean 230.15 25.03E-14 . Predicted Value Std.987 N 80 80 80 80 a. Hasil scatter plotnya adalah 14 .92 53.524 -1.000 .86 -38. Dependent Variable: Total kolesterol Nilai mean residual adalah nol yaitu 1.21 -2.90 2. Homocedasticity –13 = 0.14 outputnya adalah : Residuals Statistics Predicted Value Residual Std.03x 10 eksistensi terpenuhi 3).000 Std.504 Maximum 267. Deviation 15. Residual Minimum 191.

973 a. Error of the Estim ate 25. Independency Dilakukan uji Durbin watson.517 R Square . Kadar H dl b.267 Adjusted R Square . Predictors: (Constant).973 Dengan demikian azas independency terpenuhi.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. Langkahnya sama dengan sebelumnya tapi dilanjutkan dengan memilih perintah : - Pilih statistik → Durbin Watson Model Sum ary m M odel 1 R . Kadar Trigliserid. 15 . 4).41 Durbin-W atson 1.248 b a Std. Dependent Variable: Total kolesterol Terlihat bahwa hasil uji Durbin – Watson adalah 1.

0 -.5 -1 5 .5 2 00 .0 1 5 .2 5 0 0 .0 .0 0 -1 0 .0 5 .0 . Caranya adalah seperti pada gambar di bawah ini : 16 .16 5). Dv=.5 0 -.0 Expected Cum Prob .7 5 1 0 .0 N 8 .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 .0 Os r e C m r b b ev d u Po Terlihat bahwa azas multivariate normalitas terpenuhi 6).7 5 -.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 .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 .2 1 0 . Collinearity Dilihat dari nilai VIF.9 td e 9 Ma =0 0 e n .0 00 . Multivariat normalitas Dilihat dari histogram dan normal P-P plot.2 -1 0 .5 1 5 .5 0 .7 2 0 .5 7 10 .5 2 .

239 .023 .502 18.330 . Persamaan garis linier Persamaan linier yang diperoleh adalah : Total kolesterol = 148.925 . 5 + 0.925 (HDL) + 0.110 a.688 . Error Beta 148.087 . e.901 . Interpretasi hasil Interpretasi hasil ada dua : 1. Analisis Interaksi Untuk selanjutnya dilakukan analisis apakah ada interaksi HDL dengan trigliserid terhadap total kolesterol.000 Collinearity Statistics Tolerance VIF .17 a Coe fficie nts Model 1 (Constant) Kadar Hdl Kadar Trigliserid Standardi zed Unstandardized Coefficien Coefficients ts B Std. Dependent Variable: Total kolesterol Dari tabel terlihat bahwa nilai VIF dari collinearity statistics berada dibawah 10 sehingga azas colinearity terpenuhi.397 .000 .395 (> 0. Dengan demikian tidak terdapat interaksi antara HDL dan Trigliserida terhadap total kolesterol f.925 mg 17 .329 3.05).33 (Trigliserida) Artinya adalah : • Setiap kenaikan HDl 1 mg mk total kolesterol akan bertambah sebanyak 0. Hasilnya adalah sebagai berikut : Terlihat bahwa nilai p variabel interaksi adalah 0.901 1.946 2.785 Sig.389 t 7.110 1. .

4 6 4 .6 8 8 Ka d a r Hd l .0 2 3 .3 8 9 a .5 0 2 1 8 .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 .2 2 7 .7 8 5 C o rre la tio n s Sig .3 9 6 Pa rt . Variabel yang mempunyai nilai beta yang paling tinggi atau nilai partial correlation paling tinggi. D e p en d e n t Va ria b le : T o ta l ko le ste ro l t 7 .3 9 7 .3 6 2 .2 3 9 Ka d a r T rig lise rid .9 2 5 .0 0 0 .33 mg 7.3 2 9 3 .0 8 7 .0 0 0 .18 • kolesterol akan meningkat 0.2 5 6 . Ze ro -o rd e r Pa rtia l . 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 .3 3 0 .9 4 6 2 . Erro r Be ta 1 (C o n sta n t) 1 4 8 .