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??

ada khan??? Pengujian Autokorelasi 1.5. 7. Block variable-variabel independennya (X). Jadinya yang kelihatan adalah. sedangkan pada kolom “Numeric Expression” ketik: Abs(Res_1). . Beres dah Pengujian Normalitas 1. Beres dah. click "Analyze". Residu = Abs (Res_1) 3. 8. Kalau perlu program SPSS-nya buat diinstall. Click OK 4. lalu "Linear…" 5. Jadi sudah print out regresi linier berganda menggunakan SPSS yang rapi dan indah. "Regression >". Langsung click OK. Silahkan dicermati print outnya. agar masuk ke kolom Independents. lalu click >" atas. tinggal click aja link ini. ada kok. Menggunakan nilai Durbin-Watson apda print out hasil analisis regresi. Pada kolom "Target Variable" ketik “Residu”. Click OK. tanda " Click variabel dependen Residu (Y). agar masuk ke kolom Dependent 6. Selanjutnya. lalu click tanda ">" kedua. he he Total terdapat 22 kali click tombol left mouse.. Di sebelah kanan uji –t. Pengujian Multikolinearitas 1. Click "Transform". Menggunakan angka-angka VIF pada print out hasil analisis regresi . lalu click "Compute Variable…" 2.

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

Ketepatan regresi sampel dalam menaksir nilai aktual dapat diukur dari Goodness of fitnya. 2003) dalam Ghozali (2007). Apabila adjusted R2 bernilai negatif maka nilai adjusted R2 dianggap nol. Hasil dari analisis regresi adalah berupa koefisien untuk masing-masing variabel independen. 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. Secara statistik ini dapat diukur dari nilai koefisien determinasi. June 10. nilai statistik F dan nilai statistik t. 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- . Kelemahan koefisen determinasi adalah adanya bias terhadap sejumlah variabel independen yang dimasukkan dalam model. Nilai koefisien determinasi adalah antara nol dan satu. Nilai R 2 yang kecil berarti kemampuan variabel-variabel independen sangat terbatas.Sunday. 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). a) Koefisien Determinasi (R2) Keofisien determinasi pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. dengan tujuan untuk mengestimasi dan/atau memprediksi ratarata populasi atau nilai rata-rata variabel dependen berdasarkan nilai variabel independen yang diketahui (Gujarti. Oleh karena itu. lebih baik menggunakan Adjusted R2.

atau Ho :bi = 0. Hipotesis nol (Ho) yang hendak diuji adalah apakah semua parameter dalam model sama dengan nol. Jika F hitung lebih besar daripada F tabel maka Ho ditolak dan HA diterima.... ..... 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%. 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. Hipotesis alternatifnya adalah HA : b1 ≠ b2 ≠. atau : Ho:b1= b2 =....≠ bk ≠ 0 Artinya semua variabel dependen secara simultan merupakan penjelas yang signifikan terhadap variabel dependen.  Membandingkan nilai F hasil perhitungan dengan nilai F menurut tabel.sama terhadap variabel dependen atau terikat. Ho yang hendak diuji adalah apakah suatu parameter (bi) sama dengan nol.. Hal ini berarti variabel independen bukan merupakan penjelas yang signifikan terhadap variabel dependen....= bk = 0 Artinya apakah semua variabel independen bukan merupakan penjelas yang signifikan terhadap variabel dependen.

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

Predictors: (Constant). x1 Berdasarkan output diatas nilai dari Adjusted R Square adalah . Error of the Estimate 2.3% artinya besarnya kemampuan variasi model x1 dan x2 dapat menjelaskan variabel y sebesar 48.483 Std.93951 a. Uji statistik F (Simultan) .483 atau 0. output yang diperlukan adalah sebagai berikut : a.503 Square .709a R Square .3. x2. abaikan yang lain kemudian OK. b.3% sedangkan sisanya 51. Koefisien Determinasi Model Summary Adjusted R Model 1 R .7% dijelaskan oleh faktor lain yang tidak dijelaskan dalam analisis ini (penelitian ini).483 atau 48.

Jadi fungsi yang terbentuk adalah Y= 18.074 .546+4.002 maka dapat disimpulkan niali x1 berpengaruh terhadap y sebesar 4.077 df 2 49 51 Mean Square 214.726 .492 3.002 .546 .492 .000 dan 0.369 .000a c.219.ANOVAb Model 1 Regression Residual Total a.806 Sig. x1 b. Dependent Variable: y Berdasarkan output diatas nilai dari F 24.353 Coefficients Beta t 4.492 dan x2 3.05) maka dapat dikatakan x1 dan x2 berpengaruh secara simultan terhdap y Sum of Squares 428.219 keduanya lebih dari 2 (dalam hal ini df=n-2 lebih dari 20) dengan signifikansi 0. Predictors: (Constant).977 4.000 . Uji Statistik t (parsial) Coefficientsa Standardized Unstandardized Coefficients Model 1 (Constant) x1 x2 a.396 852.641 F 24. x2.000 (kirang dari 0.000 .492x1+3. . Error 3.082 .237 Std.492 dan x2 3.340 8. Dependent Variable: y Berdasarkan hasil diatas nilai t x1 4.219 Sig.681 423. .219x2 B 18.806 (lebih dari 4) dalam signifikansi 0.

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

Value: $0 Value Rank: 874865 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 . 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. Analisis regresi juga dapat dilakukan untuk mengetahui kelinieritas variabel terikat dengan varibel bebasnya. Misalnya dalam suatu kegiatan penelitian ingin diketahui apakah variabel X (Sex dan Nilai harian 1) berpengaruh terhadap variabel Y (nilai rapot).0 Analisis regresi digunakan untuk memprediksi pengaruh variabel bebas terhadap variabel terikat.0 Cara menganalisis Regresi linier berganda dengan SPSS 17.

Selanjutnya isilah kotak menu Dependen dengan variabel terikat.0 adalah sebagai berikut: 1.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. . Regression. akan muncul dialog seperti gambar berikut. yaitu variabel Sex dan Harian 1. Lakukan analisis dengan cara: Analize. Klik Data view dan masukan data sehingga tampak hasilnya sebagai berikut: 4. Buat semua keterangan variabel di variable view seperti gambar berikut: 3. 2=perempuan Langkah-langkah menganalisis menggunakan spss 17. yaitu variabel Rapor dan kotak menu independen dengan variabel bebas. Buka lembar kerja SPSS 2. Liniear.

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

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

.

Korelasi . sebagai berikut: 1.93 dengan standar deviasi 8. Deskriptif statistik Dari output tersebut dapat dilihat rata-rata nilai rapot dari 15 siswa adalah 77.779 sedangkan rata-rata nilai harian 1 adalah 70.Cara membaca Output tersebut adalah.27 dengan standar deviasi 14.786 2.

063 yaitu hasil kuadrat dari koefisien korelasi (0. besar hubungan nilai harian 1 dengan nilai rapot adalah 0. Variabel masuk dan keluar Dari tabel diatas menunjukan variabel yang dimasukan adalah nilai harian 1 dan sex. makin besar nilai harian 1 maka makin tinggi pula nilai rapot.250 x 0.063).238 yang berarti ada hubungan positif.779 yang jauh lebih kecil dari dari standar error. sedangkan variabel yang dikeluarkan tidak ada (Variables Removed tidak ada) 4.042 hal ini menunjukan hubungan negatif.Model sisaan Pada tabel diatas angka R Square adalah 0. Standar Error of the Estimate adalah 9. 3.181.Dari tabel dapat dilihat bahwa besar hubungan antara variabel nilai rapot dengan sex adalah -0. perhatikan pada analisis deskriptif statitik bahwa standar deviasi nilai rapot adalah 8. oleh karena lebih besar daripada .250 = 0.

05 maka Ho ditolak Dari tabel diatas dapat dilihat nilai F hitung yaitu 0. 5. sehingga diperoleh nilai F tabel yaitu 3. Anova Hipotesis: Ho: B1=B2=0 Ha: ada Bi yang tidak nol Pengambilan keputusan: Jika F hitung <= T tabel atau probabilitas >= 0.679 lebih dari daripada 0.standar deviasi nilai rapot maka model regresi tidak bagus dalam bertindak sebagai predictor nilai rapot. maka model regresi tidak dapat dipakai untuk memprediksi nilai rapot.05 maka Ho diterima. Karena F hitung (0.89) maka Ho diterima.89. 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. terlihat pada kolom sig yaitu 0.401. Kesimpulan: Tidak ada koefisien yang tidak nol atau koefisien berarti. i=1 atau 2 Pengambilan keputusan: Jika T hitung <= T tabel atau probabilitas >= 0.05 maka Ho diterima Jika T hitung > T tabel atau probabilitas < 0.05 maka Ho ditolak * Constant: Berdasarkan tabel diatas.05.401) < F tebel (3. Berdasarkan nilai Signifikan. dapat dilihat bahwa nilai T hitung untuk .679 itu berarti probabilitas 0.05 maka Ho diterima Jika F hitung > T tabel atau probabilitas < 0. Koefisien Hipotesis: Ho: Bi=0 Ha: ada Bi yang tidak nol . 6.

0).05 diperoleh 1. dapat dilihat bahwa nilai T hitung untuk Harian 1 yaitu 0. *** Harian 1: Berdasarkan tabel diatas. pada T tabel dengan db 12 dan taraf signifikan 0.882.000.000 yang berarti probabilitas 0. ** Sex: Berdasarkan tabel diatas.786 yang berarti probabilitas 0. dapat dilihat bahwa nilai T hitung untuk Sex yaitu -0. mean dan standar deviasi dari predicted value (nilai yang diprediksi) dan statistic residu. 7. karena T hitung > T tabel maka Ho ditolak. sedangkan sig pada tabel B adalah 0.429 Dari tabel diatas merupakan ringkasan yang meliputi nilai minimum dan maksimum. karena T hitung < T tabel maka Ho diterima.05 diperoleh 1. karena probabilitas kurang dari 0. sedangkan sig pada tabel B adalah 0.786.05 maka diterima. artinya B tidak berarti Berdasarkan analisis diatas maka dapat dibuat model regresi dugaannya yaitu: Y = 69. pada T tabel dengan db 12 dan taraf signifikan 0. artinya B tidak berarti.05 maka ditolak. karena T hitung < T tabel maka Ho diterima.782.395. karena probabilitas kurang dari 0.786 yang berarti probabilitas 0.Constant yaitu 5. karena probabilitas kurang dari 0. pada T tabel dengan db 12 dan taraf signifikan 0.360. Kelinieran .277.782.05 maka diterima.05 diperoleh 1. sedangkan sig pada tabel B adalah 0. Berarti bermakna dan diramalkan tidak melalui titik (0.782.

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

Sign up to vote on this title
UsefulNot useful