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

1. pengabaian ketergantungan nilai Y dapat mengakibatkan kesimpulan statistik yang tidak valid. sebaliknya bila nilai durbin dibawah –2 atau diatas +2 berarti asumsi independensi tidak terpenuhi. Variabel yang masuk kandidat adalah variabel yang nilai p value < 0. Asumsi bivariat Melihat korelasi variabel dependen dengan indenpenden dengan uji korelasi pearson atau regresi linier sederhana. Asumsi univariat Variabel numerik terutama variabel dependen harus berdistribusi normal sehingga dapat dianalisa dengan statistik parametrik b. Asumsi eksistensi ini dapat diketahui dengan cara melakukan analisa deskriptif variabel residual dari model.8 Asumsi yang harus dipenuhi oleh analisis regresi linier ganda adalah : 2 . Melihat korelasi antar variabel untuk mengetahui gejala Asumsi model multivariat kolinearitas antar variabel independen yaitu jika nilai r > 0.25 c. Misal pengukuran berat badan individu dalam 2 waktu yang berbeda. bila nilai durbin antara –2 s/d +2 berarti asumsi independensi terpenuhi.2 C. 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. 2. Asumsi ini tidak berlaku bila observasi dilakukan terhadap individu yang sama pada waktu yang berbeda. Asumsi ini berhubungan dengan teknik pengambilan sampel. Independensi Nilai Y (variabel dependen) secara statistik pada tiap individu tidak tergantung antara satu dengan yang lain. Jika residual ada nilai mean dan varian atau standar deviasi maka asumsi eksistensi terpenuhi. Asumsi ini harus dipenuhi. ASUMSI REGRESI LINIER GANDA a. Asumsi ini hanya berlaku jika satu individu tidak dilakukan observasi atau pengukuran lebih dari satu kali. Untuk mengetahui asumsi independensi dilakukan uji Durbin Watson. Asumsi ini baru dapat terpenuhi jika pengambilan sampel dilakukan secara random.

Linieritas Mean nilai Y adalah fungsi garis lurus dari Xi yang dibentuk dari persamaan regresi. Namun jika sebaliknya data menyebar jauh dari garis diagonal maka asumsi normalitas tidak terpenuhi.3 3.8 maka tidak terjadi kolinearitas. Asumsi normalitas dapat diketahui dari P-P plot residual. Bila diperoleh p value < alpha maka model berbentuk linier. Pemilihan variabel independen 3 .. …. 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. Selain itu dapat juga diketahui dari nilai VIF atau tolerance. Perlu diketahui apakah variabel Y berdistribusi normal gabungan x1. 4. xn. Multivariat Normalitas Untuk nilai X yang fix maka nilai y akan berdistribusi normal. 5. Tapi jika titik tebaran membentuk pola tertentu seperti berkelompok di bawah atau di atas garis tengah nol maka asumsi homoscedasticity tidak terpenuhi. Jika nilai FIV < 10 maka tidak terjadi kolinearitas. Homocedasticity Homo = sama . jika r < 0. 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). scedastic = scattered. D. Yaitu varian setiap nilai variabel Y sama untuk setiap nilai variabel x.. x2. Colinearity Apakah tidak terdapat korelasi antar variabel independen. sehingga asumsi homoscedasticity terpenuhi. 6. Pada plot residual dilihat titik tebarannya. Bila titik tebaran tidak mempunyai pola tertentu dan menyebar merata di sekitar garis titik nol residual maka varian homogen pada setiap nilai 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. Asumsi homoscedasticity dapat diketahui dengan membuat plot residual. Bila data menyebar di sekitar garis diagonal dan mengikuti arah diagonal maka asumsi normalitas terpenuhi. Asumsi linearitas dapat diketahui dengan uji Anova (overall F test).

sampai semua variabel yang memenuhi kriteria masuk. b. Setiap variabel independen dihubungkan dengan variabel dependen dan dilihat p valuenya. 5. Variabel yang pertama kali masuk adalah varriabel yang mempunyai korelasi parsial terbesar dengan variabel dependen dan memenuhi kriteria. Standar 4 . Salah satu kriteria yang sering digunakan adalah melihat perubahan nilai R 2 (R square). 4. Lakukan pemilihan variabel yang masuk ke dalam model. LANGKAH-LANGKAH REGRESI LINIER GANDA Langkah-langkah untuk analisis regresi linier ganda adalah : 3. E. Melakukan analisis bivariat untuk menentukan variabel yang menjadi kandidat model.05 maka data berdistribusi normal. Metode ENTER Pada metode ini semua variabel independent dimasukkan secara serentak tanpa melewati kriteria tertentu. Metode FORWARD Pada metode ini dimasukkan satu per satu variabel dari hasil pengkorelasian variabel dan memenuhi kriteria kemaknaan statistik untuk masuk ke dalam model. Model yang digunakan adalah model dengan nilai R2 besar tapi jumlah variabel independen sedikit. Namun yang perlu diperhatikan adalah bahwa setiap penambahan satu variabel independen akan meningkatkan nilai R2 walaupun variabel tersebut tidak cukup penting. Melakukan analisis secara bersamaan. Dapat dilihat dari normal P-P plot residual atau melakukan uji kolmogorov smirnov. Jika p value kolmogorov smirnov > 0.25 maka variabel tersebut dapat masuk ke dalam kandidat model multivariat. Variabel yang masuk model harus cukup baik untuk menjelaskan faktor-faktor penting yang berhubungan dengan variabel dependen. Metode-metode yang dapat digunakan untuk pemilihan variabel independen dalam regresi linier ganda adalah sebagai berikut : a.4 sebaiknya didasarkan pada pertimbangan statistik dan substansi. Jika nilai p < 0. Yang dimaksud dengan korelasi parsial adalah hubungan variabel independen dan variabel dependen setelah dikontrol variabel lain. Kemudian pengeluaran variabel dari model didasarkan kepada pertimbangan peneliti baik secara substansi atau dari aspek statistik (pvalue). Melakukan analisis univariat untuk mengetahui kenormalan data. Variabel numerik harus berdistribusi normal terutama variabel dependen.

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

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

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

00 9 . 1. 1. Walupun demikian variabel trigliserida tetap diikutkan dalam analisis karena variabel dependen sudah berdistribusi normal. 1. .00 8 .00 13 .00 12 .00 7 . 6.00 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. 2. Kriterianya adalah variabel yang p valuenya < 0. 2. Asumsi korelasi bivariat Tujuannya adalah untuk menseleksi variabel yang akan menjadi kandidat model regresi linier ganda.00 11 . 29.00 14 .00 15 .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. 8 .00 10 . Jumlah sampel yang digunakan adalah 80.00 Extremes 5. 22.25 dapat masuk sebagai kandidat model regresi linier ganda. c. Sebaiknya data ekstrim dihilangkan. Setelah dicoba menghilangkan data yang ekstrim ternyata distribusi tetap tidak normal.

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

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 . Dengan demikian variabel-variabel tersebut tidak diikutkan lagi sebagai kandidat regresi linier berganda. Dengan demikian variabel independen yang diikutkan sebagai kandidat regresi linier ganda adalah : Rasio lingkar pinggang.4 3 2 2 .1 6 -2 5 .8 7 9 . serat.. Kadar Trigliserida dan Lemak.5 adalah intake enenrgi. 1. Kadar HDL.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 .9 4 1 1 . . E r r o r S ig . aktivitas fisik.1 5 3 . 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 .3 7 8 .3 6 8 .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 .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 . stress dan income. ( 2 .906 (>0.1 2 0 df P value variabel rokok adalah 0.10 Dari tabel di atas variabel yang mempunyai nilai p-value > 0.1 .9 0 6 . Untuk mendeteksi korelasi antar variabel independen (kolinearitas) maka dilanjutkan lagi dengan uji pearson correlation yang hanya memasukkan variabel independen 10 .. Untuk variabel kategorik maka dilakukan uji t independent sebagai berikut.3 5 -1 9 .3 7 .25) sehingga tidak diikutkan pada model selanjutnya.6 5 1 6 .0 4 1 t .

80 Rasio Lingkar Pinggang Kadar Hdl Kadar Trigliserid Lemak Pearson Correlation Sig.05 dimulai dari variabel yang mempunyai pvalue paling besar. Dari tabel diatas terlihat bahwa tidak ada nilai r yang lebih dari 0. Correlation is significant at the 0.004 80 80 80 . Langkahnya adalah : - Pilih analyze → regression → linier Semua variabel independen dimasukkan ke kolom Pilih metode ENTER.679 . 80 80 80 .133 .01 level (2-tailed). independen dan semua variabel dependen dimasukkan kedalam kolom dependen Cat : Utk regresi linier : membuat interaksi  buat var baru dengan compute (*) var x1 * x2 11 .223 80 80 80 Lemak . Semua variabel independen dimasukkan ke kotak independen dan variabel dependen dikotak dependen.138 .223 80 1. Caranya yaitu dengan mengeluarkan satu persatu variabel yang P valuenya >0.314 ** .679 . d.000 .110 80 .047 1.180 .180 . .000 .238 .291 ** . (2-tailed) N Pearson Correlation Sig.110 .238 80 .8 sehingga tidak ada masalah kolinearitas.11 Correlations Rasio Lingkar Kadar Pinggang Kadar Hdl Trigliserid 1.047 .291 ** .138 . Kemudian dilihat signifikansi variabel masing-masing secara statistik.133 . (2-tailed) N Pearson Correlation Sig. Pemodelan regresi linier ganda Metode yang dipakai untuk pemilihan variabel adalah metode enter. .314 ** 1.009 80 80 80 .000 .000 . (2-tailed) N Pearson Correlation Sig.009 . (2-tailed) N **.004 .

036 58.213 . .000 a Regression Residual Total a. Kadar Trigliserid.183 Standardi zed Coefficien ts Beta .032 Sig.267 Adjusted R Square .024 .002 .dijelaskan oleh variabel HDL (High Density Lipoprotein) dan Trigliserida sebesar 26.387 df 2 77 79 Mean Square 9061.248 artinya variabel total kolesterol dapat.619 46.346 . Output komputernya adalah M ode l Summary Model 1 R R Square .624E-02 . Untuk melihat pemenuhan asumsi linier maka dilihat anovanya ANOVA b Model 1 Sum of Squares 18122.130 .517a .338 1.970 49723. Kadar Hdl Terlihat : Nilai koefisien korelasi r = 0. Error 98.485 645.264 2. .41 a.248 Std.362 Sig.240 .418 67846.210 .300 42.51– 0. Predictors: (Constant). Menurut Koefisien determinasi r2 = 0.267 dan r 2adj Colton korelasi kuat dengan r= 0.022 . Kadar Trigliserid. Terlebih dahulu dikeluarkan variabel lemak dan selanjutnya variabel rasio lingkar pinggang. Kadar Hdl b. Predictors: (Constant). Dependent Variable: Total kolesterol Dari tabel di atas terlihat bahwa masih ada variabel yang p-valuenya tidak signifikan.517 (korelasi kuat.759 F 14. Oleh karena itu maka keluarkan variabel satu persatu dimulai dari p-value paling besar untuk mendapatkan model yang fit.036 t 2.091 6.381 .12 Coefficients a Model 1 (Constant) Rasio Lingkar Pinggang Kadar H dl Kadar Trigliserid Lemak Unstandardized Coefficients B Std.929 .718 a.294 .75) - = 0. Error of the Estimate 25.403 . Dependent Variable: Total kolesterol 12 .7% sedangkan sisanya dijelaskan oleh variabel lain.305 3.

387 df 2 77 79 Mean Square 9061.688 .087 Standardi zed Coefficien ts Beta .485 645. Kadar Trigliserid. Dependent Variable: Total kolesterol Nilai p-Anova = 0.970 49723.000 a - Regression Residual Total a.023 .239 . 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 .925 .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.000 maka asumsi linier terpenuhi 2).330 . Predictors: (Constant). Kadar Hdl b. .397 .032 Sig.502 18. Error 148. . 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 18122.418 67846.13 Nilai p-Anova = 0.000 a.000 .759 F 14. 1).946 2.389 t 7.329 3. Dependent Variable: Total kolesterol e.785 Sig.

Residual Minimum 191.000 . Predicted Value Std. Deviation 15. Homocedasticity –13 = 0.14 outputnya adalah : Residuals Statistics Predicted Value Residual Std.21 -2. Jadi dengan demikian asumsi Lakukan analisa scatter-plot antara nilai prediksi stadar (ZPRED) dengan nilai residu standar (ZRESID) atau residu student (SRESID).504 Maximum 267.987 N 80 80 80 80 a.498 2.09 1.000 .90 2.524 -1.03x 10 eksistensi terpenuhi 3).86 -38.000 Std. Hasil scatter plotnya adalah 14 .09 -1. Dependent Variable: Total kolesterol Nilai mean residual adalah nol yaitu 1.15 25.03E-14 .121 a Mean 230.92 53.

Independency Dilakukan uji Durbin watson. Error of the Estim ate 25. 15 . 4).248 b a Std.41 Durbin-W atson 1. Kadar Trigliserid. 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.973 a. 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. Dependent Variable: Total kolesterol Terlihat bahwa hasil uji Durbin – Watson adalah 1.267 Adjusted R Square .517 R Square . Predictors: (Constant).

7 5 -.0 N 8 .2 -1 0 .7 5 1 0 .5 2 . Caranya adalah seperti pada gambar di bawah ini : 16 .5 0 -.0 5 .0 0 -1 0 .0 .5 1 5 .2 1 0 .0 Expected Cum Prob .5 2 00 .0 5 .0 00 .2 5 . 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 7 . Multivariat normalitas Dilihat dari histogram dan normal P-P plot.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 -1 5 .0 1 5 . Dv=.0 .0 -.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 .9 td e 9 Ma =0 0 e n .16 5).5 0 .7 2 0 . Collinearity Dilihat dari nilai VIF.2 5 0 0 .5 7 10 .

Dependent Variable: Total kolesterol Dari tabel terlihat bahwa nilai VIF dari collinearity statistics berada dibawah 10 sehingga azas colinearity terpenuhi.946 2.05). . Error Beta 148. Persamaan garis linier Persamaan linier yang diperoleh adalah : Total kolesterol = 148. Hasilnya adalah sebagai berikut : Terlihat bahwa nilai p variabel interaksi adalah 0.502 18.110 a.330 .17 a Coe fficie nts Model 1 (Constant) Kadar Hdl Kadar Trigliserid Standardi zed Unstandardized Coefficien Coefficients ts B Std.688 .239 .925 mg 17 . Dengan demikian tidak terdapat interaksi antara HDL dan Trigliserida terhadap total kolesterol f.000 Collinearity Statistics Tolerance VIF .329 3.33 (Trigliserida) Artinya adalah : • Setiap kenaikan HDl 1 mg mk total kolesterol akan bertambah sebanyak 0.000 .785 Sig.023 .389 t 7.087 .901 1.110 1. 5 + 0.925 . Analisis Interaksi Untuk selanjutnya dilakukan analisis apakah ada interaksi HDL dengan trigliserid terhadap total kolesterol. e.395 (> 0.397 .901 . Interpretasi hasil Interpretasi hasil ada dua : 1.925 (HDL) + 0.

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 .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 .7 8 5 C o rre la tio n s Sig .0 0 0 . Variabel yang paling dominan Untuk menentukan variabel yang paling dominan maka dilihat dari nilai beta yang sudah distandarisasi. Variabel yang mempunyai nilai beta yang paling tinggi atau nilai partial correlation paling tinggi.9 2 5 . Ze ro -o rd e r Pa rtia l .2 3 9 Ka d a r T rig lise rid .3 9 6 Pa rt .2 5 6 .0 8 7 .3 8 9 a .4 6 4 .33 mg 7.6 8 8 Ka d a r Hd l .0 0 0 .9 4 6 2 .0 2 3 .18 • kolesterol akan meningkat 0.3 2 9 3 .2 2 7 . 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 . Erro r Be ta 1 (C o n sta n t) 1 4 8 .3 3 0 .3 6 2 .

Sign up to vote on this title
UsefulNot useful