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??

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

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

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

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

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

b. abaikan yang lain kemudian OK.7% dijelaskan oleh faktor lain yang tidak dijelaskan dalam analisis ini (penelitian ini). Predictors: (Constant).483 atau 48.3% sedangkan sisanya 51.3.3% artinya besarnya kemampuan variasi model x1 dan x2 dapat menjelaskan variabel y sebesar 48. x1 Berdasarkan output diatas nilai dari Adjusted R Square adalah .483 atau 0.709a R Square . x2. Koefisien Determinasi Model Summary Adjusted R Model 1 R . Uji statistik F (Simultan) . Error of the Estimate 2.483 Std.503 Square .93951 a. output yang diperlukan adalah sebagai berikut : a.

Error 3. Dependent Variable: y Berdasarkan output diatas nilai dari F 24. x2. . Jadi fungsi yang terbentuk adalah Y= 18.726 .000 (kirang dari 0. .219x2 B 18.082 .806 (lebih dari 4) dalam signifikansi 0.077 df 2 49 51 Mean Square 214.219 Sig.05) maka dapat dikatakan x1 dan x2 berpengaruh secara simultan terhdap y Sum of Squares 428.806 Sig.977 4.492 dan x2 3.681 423.492 3.546+4.492 dan x2 3. Dependent Variable: y Berdasarkan hasil diatas nilai t x1 4.369 .492 .002 .ANOVAb Model 1 Regression Residual Total a.492x1+3. Predictors: (Constant).219.219 keduanya lebih dari 2 (dalam hal ini df=n-2 lebih dari 20) dengan signifikansi 0.641 F 24. Uji Statistik t (parsial) Coefficientsa Standardized Unstandardized Coefficients Model 1 (Constant) x1 x2 a.353 Coefficients Beta t 4.340 8.000a c.000 dan 0.074 .546 .000 .002 maka dapat disimpulkan niali x1 berpengaruh terhadap y sebesar 4.396 852. x1 b.000 .237 Std.

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

Misalnya dalam suatu kegiatan penelitian ingin diketahui apakah variabel X (Sex dan Nilai harian 1) berpengaruh terhadap variabel Y (nilai rapot). Analisis regresi linear berganda terdiri dari satu variabel dependen dan dua atau lebih variabel independen. 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 .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 juga dapat dilakukan untuk mengetahui kelinieritas variabel terikat dengan varibel bebasnya.0 Analisis regresi digunakan untuk memprediksi pengaruh variabel bebas terhadap variabel terikat.0 Cara menganalisis Regresi linier berganda dengan SPSS 17.

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

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

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

.

786 2.Cara membaca Output tersebut adalah. Deskriptif statistik Dari output tersebut dapat dilihat rata-rata nilai rapot dari 15 siswa adalah 77.27 dengan standar deviasi 14. Korelasi .779 sedangkan rata-rata nilai harian 1 adalah 70. sebagai berikut: 1.93 dengan standar deviasi 8.

250 = 0.181. oleh karena lebih besar daripada .063).063 yaitu hasil kuadrat dari koefisien korelasi (0.Model sisaan Pada tabel diatas angka R Square adalah 0.238 yang berarti ada hubungan positif. besar hubungan nilai harian 1 dengan nilai rapot adalah 0. sedangkan variabel yang dikeluarkan tidak ada (Variables Removed tidak ada) 4.250 x 0. makin besar nilai harian 1 maka makin tinggi pula nilai rapot.779 yang jauh lebih kecil dari dari standar error. 3. Standar Error of the Estimate adalah 9.042 hal ini menunjukan hubungan negatif. Variabel masuk dan keluar Dari tabel diatas menunjukan variabel yang dimasukan adalah nilai harian 1 dan sex. perhatikan pada analisis deskriptif statitik bahwa standar deviasi nilai rapot adalah 8.Dari tabel dapat dilihat bahwa besar hubungan antara variabel nilai rapot dengan sex adalah -0.

05 maka Ho ditolak Dari tabel diatas dapat dilihat nilai F hitung yaitu 0. 6.standar deviasi nilai rapot maka model regresi tidak bagus dalam bertindak sebagai predictor nilai rapot. Berdasarkan nilai Signifikan.05 maka Ho diterima Jika T hitung > T tabel atau probabilitas < 0. dapat dilihat bahwa nilai T hitung untuk .05. terlihat pada kolom sig yaitu 0. maka model regresi tidak dapat dipakai untuk memprediksi nilai rapot. Kesimpulan: Tidak ada koefisien yang tidak nol atau koefisien berarti. i=1 atau 2 Pengambilan keputusan: Jika T hitung <= T tabel atau probabilitas >= 0. Karena F hitung (0.89) maka Ho diterima. sehingga diperoleh nilai F tabel yaitu 3. 5.679 itu berarti probabilitas 0. 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. Anova Hipotesis: Ho: B1=B2=0 Ha: ada Bi yang tidak nol Pengambilan keputusan: Jika F hitung <= T tabel atau probabilitas >= 0.05 maka Ho ditolak * Constant: Berdasarkan tabel diatas.401.05 maka Ho diterima Jika F hitung > T tabel atau probabilitas < 0.679 lebih dari daripada 0.89.05 maka Ho diterima.401) < F tebel (3. Koefisien Hipotesis: Ho: Bi=0 Ha: ada Bi yang tidak nol .

sedangkan sig pada tabel B adalah 0.05 diperoleh 1. ** Sex: Berdasarkan tabel diatas. karena T hitung > T tabel maka Ho ditolak.786 yang berarti probabilitas 0.05 maka diterima. *** Harian 1: Berdasarkan tabel diatas. pada T tabel dengan db 12 dan taraf signifikan 0.05 maka ditolak. artinya B tidak berarti Berdasarkan analisis diatas maka dapat dibuat model regresi dugaannya yaitu: Y = 69.05 maka diterima.000. pada T tabel dengan db 12 dan taraf signifikan 0. pada T tabel dengan db 12 dan taraf signifikan 0.Constant yaitu 5.782. dapat dilihat bahwa nilai T hitung untuk Harian 1 yaitu 0.277.786 yang berarti probabilitas 0.786.782. Kelinieran . karena T hitung < T tabel maka Ho diterima. karena probabilitas kurang dari 0.429 Dari tabel diatas merupakan ringkasan yang meliputi nilai minimum dan maksimum.05 diperoleh 1. sedangkan sig pada tabel B adalah 0.05 diperoleh 1.395.882. artinya B tidak berarti. karena probabilitas kurang dari 0. karena probabilitas kurang dari 0.360.000 yang berarti probabilitas 0. sedangkan sig pada tabel B adalah 0. 7. mean dan standar deviasi dari predicted value (nilai yang diprediksi) dan statistic residu. dapat dilihat bahwa nilai T hitung untuk Sex yaitu -0. karena T hitung < T tabel maka Ho diterima.0).782. Berarti bermakna dan diramalkan tidak melalui titik (0.

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