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

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

Colinearity Apakah tidak terdapat korelasi antar variabel independen. Pada plot residual dilihat titik tebarannya. sehingga asumsi homoscedasticity 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).. Bila data menyebar di sekitar garis diagonal dan mengikuti arah diagonal maka asumsi normalitas terpenuhi. Asumsi homoscedasticity dapat diketahui dengan membuat plot residual. Selain itu dapat juga diketahui dari nilai VIF atau tolerance. Yaitu varian setiap nilai variabel Y sama untuk setiap nilai variabel x. D. Multivariat Normalitas Untuk nilai X yang fix maka nilai y akan berdistribusi normal. Asumsi linearitas dapat diketahui dengan uji Anova (overall F test). 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. Jika nilai FIV < 10 maka tidak terjadi kolinearitas. jika r < 0. Homocedasticity Homo = sama .. 5. Linieritas Mean nilai Y adalah fungsi garis lurus dari Xi yang dibentuk dari persamaan regresi. Tapi jika titik tebaran membentuk pola tertentu seperti berkelompok di bawah atau di atas garis tengah nol maka asumsi homoscedasticity tidak terpenuhi. scedastic = scattered. x2. Bila titik tebaran tidak mempunyai pola tertentu dan menyebar merata di sekitar garis titik nol residual maka varian homogen pada setiap nilai X. xn. Bila diperoleh p value < alpha maka model berbentuk linier. Asumsi normalitas dapat diketahui dari P-P plot residual. Dilihat dari nilai r. 4. …. Perlu diketahui apakah variabel Y berdistribusi normal gabungan x1. 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. 6.8 maka tidak terjadi kolinearitas. Namun jika sebaliknya data menyebar jauh dari garis diagonal maka asumsi normalitas tidak terpenuhi.3 3. Pemilihan variabel independen 3 .

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

c. 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. 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 . Setelah masuk variabel pertama ini diperiksa apa sudah memenuhi kriteria atau perlu keluar dari model seperti pada metoda backward.05 yaitu jika variabel mempunyai nilai P ≤ 0. 5 . Metode STEPWISE Merupakan kombinasi antara metode backward dan forward. Metode BACKWARD Yaitu dengan memasukkan semua variabel ke dalam model.05 maka asumsi liniearitas terpenuhi Lihat plot antara residu dengan nilai Y dugaan.1 yang artinya variabel yang keluar dari model adalah variabel yang mempunyai nilai P ≥ 0. Metode REMOVE Mengeluarkan semua variabel independen dengan serentak tanpa melewati kriteria kemaknaan tertentu. Jika P< 0. kemudian satu persatu variabel yang tidak memenuhi kriteria kemaknaan statistik tertentu dikeluarkan dari model.5 SPSS kriteria variabel yang masuk P-in (PIN) 0. Karena dengan metode ini peneliti secara aktif terlibat dalam proses pemilihan variabel dengan pertimbangan secara statistik dan substansi sesuai tahap demi tahap. Kalau ada artinya asumsi terpenuhi Lakukan uji Durbin-watson Lihat hasil uji anova.05 maka dapat masuk ke dalam model. Kemudian satu persatu variabel hasil pengkorelasian variabel dimasukkan ke dalam model dan dikeluarkan dari model dengan kriteria yang sudah ditetapkan. 6.1 d. e. Pada metode stepwise dimulai dari tanpa variabel sama sekali dalam model. 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. Dari metode di atas metode yang paling sering digunakan adalah metode enter.

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

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

00 8 . Walupun demikian variabel trigliserida tetap diikutkan dalam analisis karena variabel dependen sudah berdistribusi normal.00 10 . Asumsi korelasi bivariat Tujuannya adalah untuk menseleksi variabel yang akan menjadi kandidat model regresi linier ganda.00 Extremes 5. 22.00 13 . 6. 29. Sebaiknya data ekstrim dihilangkan.00 7 . 2. Setelah dicoba menghilangkan data yang ekstrim ternyata distribusi tetap tidak normal.25 dapat masuk sebagai kandidat model regresi linier ganda. 1.8 Untuk lebih jelasnya terhadap variabel tidak normal dilihat dengan diagram steam and leaf plot. 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. Kriterianya adalah variabel yang p valuenya < 0.00 9 . . c. Jumlah sampel yang digunakan adalah 80.00 12 . 8 . 1. 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 ≥ 161.00 15 . 2.00 11 .00 14 .

2 6 9 .0 5 0 .2 6 9 .2 0 1 .0 0 0 .0 8 7 . **.0 2 7 .9 8 9 .2 0 6 .ta ile d ) .1 2 5 -.4 7 4 80 80 80 80 .7 1 5 ..1 6 8 .1 5 4 .0 0 1 .0 8 1 .6 0 7 ** 1 .0 0 0 .5 0 2 .7 0 5 80 80 80 80 1 .1 3 8 1 . ( 2 .1 9 2 .1 1 0 .ta ile d ) .0 5 1 ..7 0 5 N 80 80 80 80 80 80 *.2 4 7 ng * 1 .1 6 8 ..ta ile d ) .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 1 9 . C o r re la tio n is s ig n ific a n t a t th e 0 .9 8 2 .0 0 0 .2 2 3 .0 6 6 .0 0 0 .1 9 7 .4 4 5 .4 8 5 .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 9 1 .4 6 4 ** .0 1 3 .0 0 0 .0 7 9 .2 9 1 ** .0 0 0 .0 0 4 .ta ile d ).3 6 2 ** .0 2 1 ..8 5 2 .1 3 8 . ( 2 . S e r a t A k tifita s fis ik S T R E S S INC O M E .2 9 1 ** .1 4 4 .0 2 7 .2 1 2 .0 0 2 .5 0 2 .2 1 9 .1 9 7 .9 7 1 .0 1 6 .0 0 0 .4 6 4 ** . .1 3 3 S ig .3 6 2 ** .1 6 1 .0 5 0 .1 3 3 ..0 9 0 .1 9 2 .0 6 0 .4 4 5 .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 1 .8 3 3 ..0 0 0 .0 0 4 .0 1 6 .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 8 1 80 80 80 80 .4 2 6 .0 4 1 .1 4 6 .0 0 0 .6 5 8 .1 0 2 .0 4 7 .2 0 6 ..8 5 2 80 80 80 80 . ( 2 .0 4 3 .ta ile d ) .0 0 4 .2 2 2 .1 9 7 1 .2 2 2 .1 0 6 80 80 80 80 .0 1 le v e l ( 2 .4 7 3 ** S ig . 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 8 7 .0 0 3 .1 2 5 .0 0 0 .0 0 2 .8 9 1 .0 0 2 ..1 3 7 .0 0 0 . ( 2 . ( 2 .4 7 4 .ta ile d ) .0 8 1 .ta ile d ) .2 1 1 1 . .1 3 7 .2 1 2 .ta ile d ) .ta ile d ) .2 7 7 * .3 6 9 .4 4 5 .4 2 2 80 80 80 80 .0 8 7 .0 0 3 .0 5 9 .1 8 2 .4 7 3 ** .9 7 1 80 80 80 80 .7 1 5 . ( 2 .8 9 1 .0 4 3 S ig . ..1 0 6 .0 8 7 .9 8 2 .1 9 7 . .1 8 0 S ig .ta ile d ) .3 1 4 ** .0 0 0 .4 8 5 .0 0 9 ..1 6 1 .0 9 1 -.1 0 2 .0 8 7 .0 4 1 .0 2 4 S ig .0 5 le v e l ( 2 .1 4 6 .1 5 4 .0 8 1 ..0 6 0 .4 2 2 .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 7 6 .6 5 8 .2 4 7 * .6 7 9 .0 5 9 .0 4 1 .. .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 .9 8 9 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 .0 8 7 .3 1 4 ** 1 .0 0 1 ..0 0 4 .ta ile d ) . ( 2 ..4 2 7 ** . 80 80 80 80 9 .2 3 8 .0 7 6 -.0 5 1 .ta ile d ) .0 7 9 -.0 6 6 80 80 80 80 .0 0 0 .1 4 4 S ig . ( 2 .2 7 7 * .3 4 2 ** . .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 .6 0 7 ** S ig .0 4 7 1 .0 0 0 .3 6 9 .4 2 7 ** . C o r re la tio n is s ig n ific a n t a t th e 0 .1 3 8 S ig .6 7 9 .7 1 5 .0 4 1 ..0 0 9 .0 0 0 S ig .0 9 0 S ig .0 0 2 . .0 0 0 .1 8 0 .7 1 5 .1 3 8 .0 2 4 .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 . .3 4 2 ** 1 . ( 2 . ( 2 .1 8 2 .0 1 3 .2 1 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 . Untuk variabel kategorik maka dilakukan uji t independent sebagai berikut.10 Dari tabel di atas variabel yang mempunyai nilai p-value > 0.0 4 1 t .3 7 8 . Untuk mendeteksi korelasi antar variabel independen (kolinearitas) maka dilanjutkan lagi dengan uji pearson correlation yang hanya memasukkan variabel independen 10 . Kadar Trigliserida dan Lemak.906 (>0. 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.3 5 -1 9 . serat.3 7 . ( 2 .8 7 9 .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 .5 adalah intake enenrgi.9 0 6 .1 5 3 . aktivitas fisik.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 . E r r o r S ig . Dengan demikian variabel independen yang diikutkan sebagai kandidat regresi linier ganda adalah : Rasio lingkar pinggang.3 6 8 .1 6 -2 5 .6 5 1 6 . Dengan demikian variabel-variabel tersebut tidak diikutkan lagi sebagai kandidat regresi linier berganda.25) sehingga tidak diikutkan pada model selanjutnya..1 .1 2 0 df P value variabel rokok adalah 0.. 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 . Kadar HDL. 1.9 4 1 1 .4 3 2 2 .

314 ** 1.180 . Semua variabel independen dimasukkan ke kotak independen dan variabel dependen dikotak dependen.000 .138 .000 . Langkahnya adalah : - Pilih analyze → regression → linier Semua variabel independen dimasukkan ke kolom Pilih metode ENTER.000 .110 80 .01 level (2-tailed).047 1. Caranya yaitu dengan mengeluarkan satu persatu variabel yang P valuenya >0. . Pemodelan regresi linier ganda Metode yang dipakai untuk pemilihan variabel adalah metode enter.004 .138 .05 dimulai dari variabel yang mempunyai pvalue paling besar.679 . (2-tailed) N Pearson Correlation Sig.133 . (2-tailed) N **.047 .223 80 80 80 Lemak .291 ** . Correlation is significant at the 0.004 80 80 80 .238 80 .180 .009 80 80 80 .314 ** .110 . (2-tailed) N Pearson Correlation Sig. 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. Dari tabel diatas terlihat bahwa tidak ada nilai r yang lebih dari 0. .8 sehingga tidak ada masalah kolinearitas.223 80 1.009 . Kemudian dilihat signifikansi variabel masing-masing secara statistik. 80 Rasio Lingkar Pinggang Kadar Hdl Kadar Trigliserid Lemak Pearson Correlation Sig. d.000 .238 . 80 80 80 .291 ** .679 .11 Correlations Rasio Lingkar Kadar Pinggang Kadar Hdl Trigliserid 1.133 .

7% sedangkan sisanya dijelaskan oleh variabel lain. Kadar Trigliserid.346 .248 artinya variabel total kolesterol dapat.517 (korelasi kuat.403 .929 .362 Sig.387 df 2 77 79 Mean Square 9061.517a .248 Std.000 a Regression Residual Total a.485 645. Menurut Koefisien determinasi r2 = 0.41 a.213 .210 .091 6. Kadar Hdl b.240 . Dependent Variable: Total kolesterol 12 .267 Adjusted R Square . Output komputernya adalah M ode l Summary Model 1 R R Square .183 Standardi zed Coefficien ts Beta .002 . Kadar Trigliserid.264 2.624E-02 . .381 .036 58.022 .dijelaskan oleh variabel HDL (High Density Lipoprotein) dan Trigliserida sebesar 26. Untuk melihat pemenuhan asumsi linier maka dilihat anovanya ANOVA b Model 1 Sum of Squares 18122. Dependent Variable: Total kolesterol Dari tabel di atas terlihat bahwa masih ada variabel yang p-valuenya tidak signifikan. Kadar Hdl Terlihat : Nilai koefisien korelasi r = 0. Error 98.130 .718 a.619 46.759 F 14.338 1. .300 42.970 49723.294 . Error of the Estimate 25.024 . Terlebih dahulu dikeluarkan variabel lemak dan selanjutnya variabel rasio lingkar pinggang.036 t 2. Predictors: (Constant).032 Sig.418 67846.75) - = 0.12 Coefficients a Model 1 (Constant) Rasio Lingkar Pinggang Kadar H dl Kadar Trigliserid Lemak Unstandardized Coefficients B Std.267 dan r 2adj Colton korelasi kuat dengan r= 0.305 3. Predictors: (Constant).51– 0. Oleh karena itu maka keluarkan variabel satu persatu dimulai dari p-value paling besar untuk mendapatkan model yang fit.

Error 148. .418 67846. 1).000 .688 . .759 F 14.000 maka asumsi linier terpenuhi 2).485 645. Kadar Trigliserid.023 .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.946 2.13 Nilai p-Anova = 0.239 .330 .087 Standardi zed Coefficien ts Beta . Kadar Hdl b.970 49723.387 df 2 77 79 Mean Square 9061. Dependent Variable: Total kolesterol Nilai p-Anova = 0. Predictors: (Constant).925 .000 a - Regression Residual Total a.785 Sig. Dependent Variable: Total kolesterol e.032 Sig.000 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. 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 .397 .502 18.329 3.389 t 7.

000 . Dependent Variable: Total kolesterol Nilai mean residual adalah nol yaitu 1.90 2. Homocedasticity –13 = 0. Jadi dengan demikian asumsi Lakukan analisa scatter-plot antara nilai prediksi stadar (ZPRED) dengan nilai residu standar (ZRESID) atau residu student (SRESID). Deviation 15. Residual Minimum 191. Hasil scatter plotnya adalah 14 .09 1.000 Std.14 outputnya adalah : Residuals Statistics Predicted Value Residual Std.09 -1.987 N 80 80 80 80 a. Predicted Value Std.03E-14 .03x 10 eksistensi terpenuhi 3).86 -38.524 -1.92 53.504 Maximum 267.121 a Mean 230.21 -2.000 .15 25.498 2.

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

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

688 . Interpretasi hasil Interpretasi hasil ada dua : 1.925 (HDL) + 0.33 (Trigliserida) Artinya adalah : • Setiap kenaikan HDl 1 mg mk total kolesterol akan bertambah sebanyak 0.901 .389 t 7.000 Collinearity Statistics Tolerance VIF . Dengan demikian tidak terdapat interaksi antara HDL dan Trigliserida terhadap total kolesterol f.17 a Coe fficie nts Model 1 (Constant) Kadar Hdl Kadar Trigliserid Standardi zed Unstandardized Coefficien Coefficients ts B Std.901 1. Error Beta 148. Persamaan garis linier Persamaan linier yang diperoleh adalah : Total kolesterol = 148.110 a. Dependent Variable: Total kolesterol Dari tabel terlihat bahwa nilai VIF dari collinearity statistics berada dibawah 10 sehingga azas colinearity terpenuhi.925 mg 17 .925 . e.110 1.329 3.023 .395 (> 0.946 2.239 .330 . 5 + 0. . Analisis Interaksi Untuk selanjutnya dilakukan analisis apakah ada interaksi HDL dengan trigliserid terhadap total kolesterol.000 .397 .785 Sig. Hasilnya adalah sebagai berikut : Terlihat bahwa nilai p variabel interaksi adalah 0.087 .05).502 18.

9 4 6 2 .0 0 0 .7 8 5 C o rre la tio n s Sig .2 3 9 Ka d a r T rig lise rid .0 2 3 .3 9 7 . Variabel yang mempunyai nilai beta yang paling tinggi atau nilai partial correlation paling tinggi. 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 .3 9 6 Pa rt .3 6 2 .6 8 8 Ka d a r Hd l .4 6 4 .2 5 6 .3 2 9 3 . Variabel yang paling dominan Untuk menentukan variabel yang paling dominan maka dilihat dari nilai beta yang sudah distandarisasi.0 8 7 .33 mg 7.0 0 0 .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 . D e p en d e n t Va ria b le : T o ta l ko le ste ro l t 7 .3 8 9 a .9 2 5 . Erro r Be ta 1 (C o n sta n t) 1 4 8 .18 • kolesterol akan meningkat 0.5 0 2 1 8 .2 2 7 . Ze ro -o rd e r Pa rtia l .

Sign up to vote on this title
UsefulNot useful