Cara Pengolahan Statistik Regresi Linier Berganda menggunakan SPSS

Analisis Regresi Linier Berganda

1. Terlebih dahulu upload data ke SPSS, lihat post sebelumnya: Tentang cara upload file

Excel ke SPSS. 2. Selanjutnya, click "Analyze", "Regression >", lalu click "Linear..." 3. tanda " Click variabel dependennya (Y), lalu click >" atas, agar masuk ke kolom "Dependent" 4. Block variable-variabel independennya (X), lalu click tanda ">" kedua, agar masuk ke kolom "Independents". 5. Click tombol “Statistics”, lalu centang: "Estimates", "Collinearity diagnostics", dan "Durbin-Watson". Lalu click tombol “Continue” 6. Click tombol “Plots”, lalu masukkan variable *Sresid ke kolom Y, serta *Zpred ke kolom X. Click tombol “Continue” lagi. 7. Click tombol “Save”, lalu centang “Unstandardized” di bawah tulisan “Residual”. Click tombol “Continue” again… 8. Terakhir ……… sudah diduga saya kira … Click tombol “OK”. 9. ….. 10. …. 11. … 12. Beres dah. Pengujian Normalitas 1. Click "Analyze", lalu click "Nonparametric Tests", lalu click "1-Sample K-S" 2. Masukkan variable Unstandardized Residual (Res_1) ke kolom "Test Variable List". 3. Centang "Normal" pada “Test Distribution List” 4. Lalu … coba tebak tombol apa berikutnya??

he he Total terdapat 22 kali click tombol left mouse. .5. Click OK 4. agar masuk ke kolom Dependent 6. Beres dah Pengujian Normalitas 1. 8. Jadi sudah print out regresi linier berganda menggunakan SPSS yang rapi dan indah. Menggunakan nilai Durbin-Watson apda print out hasil analisis regresi. Langsung click OK. Kalau perlu program SPSS-nya buat diinstall. Residu = Abs (Res_1) 3. Pada kolom "Target Variable" ketik “Residu”. Beres dah. lalu click "Compute Variable…" 2. agar masuk ke kolom Independents. "Regression >". Block variable-variabel independennya (X). Menggunakan angka-angka VIF pada print out hasil analisis regresi . ada khan??? Pengujian Autokorelasi 1. Di sebelah kanan uji –t. ada kok. lalu click >" atas. Selanjutnya. Click OK. lalu "Linear…" 5. tanda " Click variabel dependen Residu (Y). tinggal click aja link ini. 7. click "Analyze". Pengujian Multikolinearitas 1. sedangkan pada kolom “Numeric Expression” ketik: Abs(Res_1). Click "Transform". Silahkan dicermati print outnya. lalu click tanda ">" kedua. Jadinya yang kelihatan adalah..

sepakbola.semua ada disini skripsi.software Pages • Beranda This Blog Linked From Here The Web This Blog Linked From Here The Web .

Nilai koefisien determinasi adalah antara nol dan satu. 2003) dalam Ghozali (2007). Nilai R 2 yang kecil berarti kemampuan variabel-variabel independen sangat terbatas. June 10. Perhitungan statistik disebut signifikan secara statistik apabila nilai uji statistiknya berada dalam daerah kritis (daerah dimana Ho ditolak) dan tidak signifikan apabila berada dalam daerah Ho diterima. b) Uji Signifikansi Simultan (Uji Statistik F) Uji statistik F pada dasarnya menunjukkan apakah semua variabel independen atau bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama- . Oleh karena itu. Ketepatan regresi sampel dalam menaksir nilai aktual dapat diukur dari Goodness of fitnya. Hasil dari analisis regresi adalah berupa koefisien untuk masing-masing variabel independen.Sunday. a) Koefisien Determinasi (R2) Keofisien determinasi pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Kelemahan koefisen determinasi adalah adanya bias terhadap sejumlah variabel independen yang dimasukkan dalam model. Apabila adjusted R2 bernilai negatif maka nilai adjusted R2 dianggap nol. dengan tujuan untuk mengestimasi dan/atau memprediksi ratarata populasi atau nilai rata-rata variabel dependen berdasarkan nilai variabel independen yang diketahui (Gujarti. 2012 ANALISIS REGRESI LINIER BERGANDA MENGGUNAKAN SPSS Analisis regresi pada dasarnya adalah studi mengenai ketergantungan variabel dependen (terikat) dengan satu atau lebih variabel independen (variabel penjelas/bebas). Secara statistik ini dapat diukur dari nilai koefisien determinasi. lebih baik menggunakan Adjusted R2. nilai statistik F dan nilai statistik t.

.≠ bk ≠ 0 Artinya semua variabel dependen secara simultan merupakan penjelas yang signifikan terhadap variabel dependen. Ho yang hendak diuji adalah apakah suatu parameter (bi) sama dengan nol.  Membandingkan nilai F hasil perhitungan dengan nilai F menurut tabel.. c) Uji Signifikan Parameter Individual (Uji Statistik t) Uji statistik t menunjukkan seberapa jauh pengaruh satu variabel penjelas secara individual dalam menerangkan variasi variabel dependen. Hal ini berarti variabel independen bukan merupakan penjelas yang signifikan terhadap variabel dependen.sama terhadap variabel dependen atau terikat... atau : Ho:b1= b2 =...... Kriteria pengambilan keputusan dalam uji statistik F adalah sebagai berikut :  Quick look : bila nilai F lebih besar daripada 4 maka Ho dapat ditolak pada derajat kepercayaan 5%. Hipotesis alternatifnya adalah HA : b1 ≠ b2 ≠.. .. atau Ho :bi = 0... Hipotesis nol (Ho) yang hendak diuji adalah apakah semua parameter dalam model sama dengan nol..= bk = 0 Artinya apakah semua variabel independen bukan merupakan penjelas yang signifikan terhadap variabel dependen. Jika F hitung lebih besar daripada F tabel maka Ho ditolak dan HA diterima.

Hal ini berarti variabel tersebut merupakan variabel penjelas yang signifikan terhadap variabel dependen.  Membandingkan nilai statistik t dengan titik kritis menurut tabel.x2 ke kolo. independen . dan derajat kepercayaan 5%. Masukkan data analisis regresi. maka HA / hipotesis alternatif dapat diterima yaitu variabel independen secara individual berpengaruh singnifikan terhadap variabel dependen. d) Langkah-langkah uji analisis regresi linier berganda 1. Kriteria uji statistik t adalah sebagai berikut :  Quick look : bila jumlah degree of freedom (df) adalah 20 atau lebih. Masukkan y ke kolom dependen dan x1. atau HA : bi ≠ 0. Apabila nilai statistik t hasil perhitungan lebih tinggi dibandingkan nilai t tabel.HA / hipotesis alternatifnya parameter suatu variabel tidak sama dengan nol. kemudian klik analyze-regresion-linier 2. maka Ho yang menyatakan bi=0 dapat ditolak bila nilai t lebih besar dari 2 (dalam nilai absolut).

709a R Square . Error of the Estimate 2.3% sedangkan sisanya 51. output yang diperlukan adalah sebagai berikut : a.483 Std.3. x1 Berdasarkan output diatas nilai dari Adjusted R Square adalah . Uji statistik F (Simultan) .483 atau 48.483 atau 0. Predictors: (Constant). b.93951 a.3% artinya besarnya kemampuan variasi model x1 dan x2 dapat menjelaskan variabel y sebesar 48.503 Square .7% dijelaskan oleh faktor lain yang tidak dijelaskan dalam analisis ini (penelitian ini). abaikan yang lain kemudian OK. x2. Koefisien Determinasi Model Summary Adjusted R Model 1 R .

353 Coefficients Beta t 4.077 df 2 49 51 Mean Square 214.369 .000 . Jadi fungsi yang terbentuk adalah Y= 18. .546+4.492 .977 4.000a c.641 F 24. .074 .237 Std.340 8. Uji Statistik t (parsial) Coefficientsa Standardized Unstandardized Coefficients Model 1 (Constant) x1 x2 a.002 maka dapat disimpulkan niali x1 berpengaruh terhadap y sebesar 4. x2.726 .219 keduanya lebih dari 2 (dalam hal ini df=n-2 lebih dari 20) dengan signifikansi 0.219 Sig.219x2 B 18.492x1+3.806 (lebih dari 4) dalam signifikansi 0.681 423.082 .002 .000 . Dependent Variable: y Berdasarkan hasil diatas nilai t x1 4. Dependent Variable: y Berdasarkan output diatas nilai dari F 24.05) maka dapat dikatakan x1 dan x2 berpengaruh secara simultan terhdap y Sum of Squares 428.492 dan x2 3.492 dan x2 3. Error 3.396 852.000 dan 0.000 (kirang dari 0. Predictors: (Constant).546 .806 Sig.492 3.ANOVAb Model 1 Regression Residual Total a. x1 b.219.

blogspot.co. Arsif beberapa tugas kuliah dan Soal-soal Uiian atau Quis DAFTAR LINK Adinmuh2Samarinda Belajar Ngeblog harizt.blogspot.cc hermanblog.Kumpulan beberapa cerita lucu.com Google PR: N/A Alexa Rank: N/A Links in: N/A .com muhfida.com Lucky Witantra minimmedia.com iyud89.com Rezarenaldi SeiKerbau Zona Kesehatan TUKARAN LINK INFO BLOG Site Data and Value idmatgokil.

Value: $0 Value Rank: 874865 Cara menganalisis Regresi linier berganda dengan SPSS 17. selain itu juga dapat menunjukkan ada atau tidaknya data yang outlier atau data yang ekstrim. Analisis regresi linear berganda terdiri dari satu variabel dependen dan dua atau lebih variabel independen. Misalnya dalam suatu kegiatan penelitian ingin diketahui apakah variabel X (Sex dan Nilai harian 1) berpengaruh terhadap variabel Y (nilai rapot).0 Cara menganalisis Regresi linier berganda dengan SPSS 17. Data penelitian adalah sebagai berikut: Nama Sex Nilai harian Nilai Rapot 1 50 61 80 76 40 73 68 86 78 80 76 74 IDM01 IDM02 IDM03 IDM04 IDM05 IDM06 1 2 1 1 1 2 .0 Analisis regresi digunakan untuk memprediksi pengaruh variabel bebas terhadap variabel terikat. Analisis regresi juga dapat dilakukan untuk mengetahui kelinieritas variabel terikat dengan varibel bebasnya.

Liniear. . Buat semua keterangan variabel di variable view seperti gambar berikut: 3. Klik Data view dan masukan data sehingga tampak hasilnya sebagai berikut: 4.0 adalah sebagai berikut: 1. Buka lembar kerja SPSS 2. Regression. akan muncul dialog seperti gambar berikut. Lakukan analisis dengan cara: Analize.IDM07 IDM08 IDM09 IDM10 IDM11 IDM12 IDM13 IDM14 IDM15 2 1 1 2 2 1 1 2 1 86 77 59 56 66 80 72 95 83 70 80 76 85 60 69 89 90 88 Keterangan sex: 1=laki-laki. yaitu variabel Rapor dan kotak menu independen dengan variabel bebas. 2=perempuan Langkah-langkah menganalisis menggunakan spss 17. yaitu variabel Sex dan Harian 1. Selanjutnya isilah kotak menu Dependen dengan variabel terikat.

berfungsi untuk menampilkan grafik pada analisis regresi. Descriptives dan Model fit lau klik Continue. Tampilan muncul seperti berikut 6. Kotak menu Plots. klik kotak menu Plots. Tampilannya adalah sebagai berikut: . Selanjutnya klik kotak menu Statistics. kemudian klik Normal probanility plot yang terletak pada kotak menu Standardized Residual plots.5. Pilih Estimates. Selanjutnya klik Continue.

Beberapa saat kemudian akan keluar outputnya. Untuk melakukan analisis kliklah OK. sebagai berikut: Regression [DataSet1] .7. Selanjutnya klik Continue.

.

sebagai berikut: 1.Cara membaca Output tersebut adalah. Deskriptif statistik Dari output tersebut dapat dilihat rata-rata nilai rapot dari 15 siswa adalah 77. Korelasi .786 2.779 sedangkan rata-rata nilai harian 1 adalah 70.27 dengan standar deviasi 14.93 dengan standar deviasi 8.

Model sisaan Pada tabel diatas angka R Square adalah 0. makin besar nilai harian 1 maka makin tinggi pula nilai rapot.250 x 0.779 yang jauh lebih kecil dari dari standar error.250 = 0. Variabel masuk dan keluar Dari tabel diatas menunjukan variabel yang dimasukan adalah nilai harian 1 dan sex.Dari tabel dapat dilihat bahwa besar hubungan antara variabel nilai rapot dengan sex adalah -0.042 hal ini menunjukan hubungan negatif.063).181.238 yang berarti ada hubungan positif. sedangkan variabel yang dikeluarkan tidak ada (Variables Removed tidak ada) 4. besar hubungan nilai harian 1 dengan nilai rapot adalah 0. perhatikan pada analisis deskriptif statitik bahwa standar deviasi nilai rapot adalah 8. 3.063 yaitu hasil kuadrat dari koefisien korelasi (0. Standar Error of the Estimate adalah 9. oleh karena lebih besar daripada .

maka model regresi tidak dapat dipakai untuk memprediksi nilai rapot.05 maka Ho ditolak Dari tabel diatas dapat dilihat nilai F hitung yaitu 0. 6.05 maka Ho diterima Jika T hitung > T tabel atau probabilitas < 0.05 maka Ho diterima Jika F hitung > T tabel atau probabilitas < 0. 5.05.05 maka Ho ditolak * Constant: Berdasarkan tabel diatas.401) < F tebel (3. i=1 atau 2 Pengambilan keputusan: Jika T hitung <= T tabel atau probabilitas >= 0. Berdasarkan nilai Signifikan. Koefisien Hipotesis: Ho: Bi=0 Ha: ada Bi yang tidak nol . Kesimpulan: Tidak ada koefisien yang tidak nol atau koefisien berarti. terlihat pada kolom sig yaitu 0.679 itu berarti probabilitas 0.679 lebih dari daripada 0. sehingga diperoleh nilai F tabel yaitu 3. Karena F hitung (0. Anova Hipotesis: Ho: B1=B2=0 Ha: ada Bi yang tidak nol Pengambilan keputusan: Jika F hitung <= T tabel atau probabilitas >= 0.401.89.89) maka Ho diterima. dapat dilihat bahwa nilai T hitung untuk . sedangkan nilai F tabel dapat diperoleh dengan menggunakan tabel F dengan derajat bebas (df) Residual (sisa) yaitu 12 sebagai df penyebut dan df Regression (perlakuan) yaitu 2 sebagai df pembilang dengan tarap siginifikan 0.05 maka Ho diterima.standar deviasi nilai rapot maka model regresi tidak bagus dalam bertindak sebagai predictor nilai rapot.

karena probabilitas kurang dari 0. dapat dilihat bahwa nilai T hitung untuk Sex yaitu -0. pada T tabel dengan db 12 dan taraf signifikan 0.429 Dari tabel diatas merupakan ringkasan yang meliputi nilai minimum dan maksimum.05 maka diterima. karena T hitung > T tabel maka Ho ditolak.360.05 diperoleh 1.786. sedangkan sig pada tabel B adalah 0. mean dan standar deviasi dari predicted value (nilai yang diprediksi) dan statistic residu.05 diperoleh 1. sedangkan sig pada tabel B adalah 0. dapat dilihat bahwa nilai T hitung untuk Harian 1 yaitu 0.395. artinya B tidak berarti. karena probabilitas kurang dari 0. Berarti bermakna dan diramalkan tidak melalui titik (0.277. pada T tabel dengan db 12 dan taraf signifikan 0. *** Harian 1: Berdasarkan tabel diatas.05 diperoleh 1.786 yang berarti probabilitas 0. ** Sex: Berdasarkan tabel diatas.882.782. karena T hitung < T tabel maka Ho diterima.782.Constant yaitu 5.0).786 yang berarti probabilitas 0. pada T tabel dengan db 12 dan taraf signifikan 0.782.05 maka ditolak.000 yang berarti probabilitas 0. 7. sedangkan sig pada tabel B adalah 0.05 maka diterima. karena T hitung < T tabel maka Ho diterima.000. artinya B tidak berarti Berdasarkan analisis diatas maka dapat dibuat model regresi dugaannya yaitu: Y = 69. Kelinieran . karena probabilitas kurang dari 0.

maka nilai-nilai sebaran data akan terletak sekitar garis lurus. terlihat bahwa sebaran data pada gambar diatas tersebar hampir semua tidak pada sumbu normal.Jika residual berasal dari distribusi normal. maka dapat dikatakan bahwa pernyataan normalitas tidak dapat dipenuhi. .