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??

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

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

June 10.Sunday. Hasil dari analisis regresi adalah berupa koefisien untuk masing-masing variabel independen. 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). 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. 2003) dalam Ghozali (2007). 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- . Oleh karena itu. Ketepatan regresi sampel dalam menaksir nilai aktual dapat diukur dari Goodness of fitnya. Nilai koefisien determinasi adalah antara nol dan satu. 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. Secara statistik ini dapat diukur dari nilai koefisien determinasi. lebih baik menggunakan Adjusted R2. a) Koefisien Determinasi (R2) Keofisien determinasi pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai R 2 yang kecil berarti kemampuan variabel-variabel independen sangat terbatas.

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

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

483 atau 0. abaikan yang lain kemudian OK.483 Std. x2. Error of the Estimate 2.503 Square .3.93951 a.483 atau 48. Koefisien Determinasi Model Summary Adjusted R Model 1 R . Uji statistik F (Simultan) . x1 Berdasarkan output diatas nilai dari Adjusted R Square adalah . b.709a R Square . output yang diperlukan adalah sebagai berikut : a.7% dijelaskan oleh faktor lain yang tidak dijelaskan dalam analisis ini (penelitian ini).3% artinya besarnya kemampuan variasi model x1 dan x2 dapat menjelaskan variabel y sebesar 48.3% sedangkan sisanya 51. Predictors: (Constant).

Error 3. Dependent Variable: y Berdasarkan output diatas nilai dari F 24.219 Sig.977 4.806 Sig.369 .000 .05) maka dapat dikatakan x1 dan x2 berpengaruh secara simultan terhdap y Sum of Squares 428.074 .002 . .002 maka dapat disimpulkan niali x1 berpengaruh terhadap y sebesar 4.546+4.000 (kirang dari 0.353 Coefficients Beta t 4.219x2 B 18.396 852. Jadi fungsi yang terbentuk adalah Y= 18.219 keduanya lebih dari 2 (dalam hal ini df=n-2 lebih dari 20) dengan signifikansi 0.681 423. x1 b. Dependent Variable: y Berdasarkan hasil diatas nilai t x1 4.000a c.082 .077 df 2 49 51 Mean Square 214. Predictors: (Constant). x2.492 dan x2 3.492 .546 .000 dan 0.492x1+3.492 3.806 (lebih dari 4) dalam signifikansi 0.726 . . Uji Statistik t (parsial) Coefficientsa Standardized Unstandardized Coefficients Model 1 (Constant) x1 x2 a.492 dan x2 3.237 Std.219.000 .ANOVAb Model 1 Regression Residual Total a.340 8.641 F 24.

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

0 Cara menganalisis Regresi linier berganda dengan SPSS 17. 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. 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). selain itu juga dapat menunjukkan ada atau tidaknya data yang outlier atau data yang ekstrim. 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.

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

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

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

.

27 dengan standar deviasi 14.Cara membaca Output tersebut adalah. sebagai berikut: 1.786 2. Korelasi .93 dengan standar deviasi 8.779 sedangkan rata-rata nilai harian 1 adalah 70. Deskriptif statistik Dari output tersebut dapat dilihat rata-rata nilai rapot dari 15 siswa adalah 77.

oleh karena lebih besar daripada . Standar Error of the Estimate adalah 9.238 yang berarti ada hubungan positif.042 hal ini menunjukan hubungan negatif.779 yang jauh lebih kecil dari dari standar error. makin besar nilai harian 1 maka makin tinggi pula nilai rapot. sedangkan variabel yang dikeluarkan tidak ada (Variables Removed tidak ada) 4. Variabel masuk dan keluar Dari tabel diatas menunjukan variabel yang dimasukan adalah nilai harian 1 dan sex.063).063 yaitu hasil kuadrat dari koefisien korelasi (0.Model sisaan Pada tabel diatas angka R Square adalah 0.250 x 0. besar hubungan nilai harian 1 dengan nilai rapot adalah 0. 3. perhatikan pada analisis deskriptif statitik bahwa standar deviasi nilai rapot adalah 8.181.Dari tabel dapat dilihat bahwa besar hubungan antara variabel nilai rapot dengan sex adalah -0.250 = 0.

i=1 atau 2 Pengambilan keputusan: Jika T hitung <= T tabel atau probabilitas >= 0. sehingga diperoleh nilai F tabel yaitu 3.05 maka Ho diterima Jika T hitung > T tabel atau probabilitas < 0. maka model regresi tidak dapat dipakai untuk memprediksi nilai rapot. 6.05 maka Ho diterima Jika F hitung > T tabel atau probabilitas < 0. Berdasarkan nilai Signifikan.89. Anova Hipotesis: Ho: B1=B2=0 Ha: ada Bi yang tidak nol Pengambilan keputusan: Jika F hitung <= T tabel atau probabilitas >= 0.05.401.679 itu berarti probabilitas 0.679 lebih dari daripada 0.401) < F tebel (3. Karena F hitung (0.05 maka Ho ditolak * Constant: Berdasarkan tabel diatas. terlihat pada kolom sig yaitu 0.05 maka Ho ditolak Dari tabel diatas dapat dilihat nilai F hitung yaitu 0.standar deviasi nilai rapot maka model regresi tidak bagus dalam bertindak sebagai predictor nilai rapot. 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. Koefisien Hipotesis: Ho: Bi=0 Ha: ada Bi yang tidak nol . 5.05 maka Ho diterima.89) maka Ho diterima. dapat dilihat bahwa nilai T hitung untuk . Kesimpulan: Tidak ada koefisien yang tidak nol atau koefisien berarti.

artinya B tidak berarti Berdasarkan analisis diatas maka dapat dibuat model regresi dugaannya yaitu: Y = 69. *** Harian 1: Berdasarkan tabel diatas. sedangkan sig pada tabel B adalah 0. Kelinieran . karena T hitung < T tabel maka Ho diterima. karena probabilitas kurang dari 0. dapat dilihat bahwa nilai T hitung untuk Harian 1 yaitu 0. artinya B tidak berarti.882.395. pada T tabel dengan db 12 dan taraf signifikan 0.000 yang berarti probabilitas 0.782. karena T hitung > T tabel maka Ho ditolak. dapat dilihat bahwa nilai T hitung untuk Sex yaitu -0.05 diperoleh 1.277.05 diperoleh 1.Constant yaitu 5.0). mean dan standar deviasi dari predicted value (nilai yang diprediksi) dan statistic residu.000.782. sedangkan sig pada tabel B adalah 0. karena probabilitas kurang dari 0.05 maka diterima.05 diperoleh 1.786 yang berarti probabilitas 0. 7. karena T hitung < T tabel maka Ho diterima. pada T tabel dengan db 12 dan taraf signifikan 0. pada T tabel dengan db 12 dan taraf signifikan 0.786. sedangkan sig pada tabel B adalah 0. karena probabilitas kurang dari 0.05 maka diterima. ** Sex: Berdasarkan tabel diatas.782. Berarti bermakna dan diramalkan tidak melalui titik (0.360.429 Dari tabel diatas merupakan ringkasan yang meliputi nilai minimum dan maksimum.05 maka ditolak.786 yang berarti probabilitas 0.

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

Sign up to vote on this title
UsefulNot useful