P. 1
Cara Pengolahan Statistik Regresi Linier Berganda Menggunakan SPSS

Cara Pengolahan Statistik Regresi Linier Berganda Menggunakan SPSS

|Views: 1,380|Likes:
Published by himi

More info:

Published by: himi on Jul 02, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

06/06/2015

pdf

text

original

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??

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

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

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). Hasil dari analisis regresi adalah berupa koefisien untuk masing-masing variabel independen. 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. Nilai R 2 yang kecil berarti kemampuan variabel-variabel independen sangat terbatas. Ketepatan regresi sampel dalam menaksir nilai aktual dapat diukur dari Goodness of fitnya. 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. 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. Secara statistik ini dapat diukur dari nilai koefisien determinasi. Oleh karena itu. 2003) dalam Ghozali (2007). June 10. nilai statistik F dan nilai statistik t.Sunday. lebih baik menggunakan Adjusted R2. 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- . Nilai koefisien determinasi adalah antara nol dan satu.

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

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

483 atau 48.503 Square . Koefisien Determinasi Model Summary Adjusted R Model 1 R . x1 Berdasarkan output diatas nilai dari Adjusted R Square adalah .483 Std.3. b. Predictors: (Constant).3% sedangkan sisanya 51. output yang diperlukan adalah sebagai berikut : a. Error of the Estimate 2.7% 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. abaikan yang lain kemudian OK. x2.709a R Square .483 atau 0.93951 a. Uji statistik F (Simultan) .

492x1+3.219x2 B 18.002 . x2. Dependent Variable: y Berdasarkan hasil diatas nilai t x1 4.000 (kirang dari 0.074 . .219.219 keduanya lebih dari 2 (dalam hal ini df=n-2 lebih dari 20) dengan signifikansi 0. Uji Statistik t (parsial) Coefficientsa Standardized Unstandardized Coefficients Model 1 (Constant) x1 x2 a. x1 b.681 423. Error 3.353 Coefficients Beta t 4.546+4.000 dan 0.396 852.05) maka dapat dikatakan x1 dan x2 berpengaruh secara simultan terhdap y Sum of Squares 428.082 .000a c. Jadi fungsi yang terbentuk adalah Y= 18.219 Sig.546 .369 .641 F 24.806 (lebih dari 4) dalam signifikansi 0.ANOVAb Model 1 Regression Residual Total a.492 dan x2 3.492 .002 maka dapat disimpulkan niali x1 berpengaruh terhadap y sebesar 4.077 df 2 49 51 Mean Square 214.977 4.340 8.000 .492 3.806 Sig.726 . .492 dan x2 3. Dependent Variable: y Berdasarkan output diatas nilai dari F 24.237 Std.000 . Predictors: (Constant).

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

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

yaitu variabel Sex dan Harian 1.0 adalah sebagai berikut: 1. Klik Data view dan masukan data sehingga tampak hasilnya sebagai berikut: 4. Selanjutnya isilah kotak menu Dependen dengan variabel terikat. akan muncul dialog seperti gambar berikut. . Lakukan analisis dengan cara: Analize. Buka lembar kerja SPSS 2. 2=perempuan Langkah-langkah menganalisis menggunakan spss 17. Regression.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. Liniear. Buat semua keterangan variabel di variable view seperti gambar berikut: 3. yaitu variabel Rapor dan kotak menu independen dengan variabel bebas.

klik kotak menu Plots. Selanjutnya klik Continue. Selanjutnya klik kotak menu Statistics. Descriptives dan Model fit lau klik Continue. berfungsi untuk menampilkan grafik pada analisis regresi. Kotak menu Plots. Pilih Estimates. Tampilan muncul seperti berikut 6.5. Tampilannya adalah sebagai berikut: . kemudian klik Normal probanility plot yang terletak pada kotak menu Standardized Residual plots.

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

.

93 dengan standar deviasi 8. Korelasi .Cara membaca Output tersebut adalah.779 sedangkan rata-rata nilai harian 1 adalah 70.27 dengan standar deviasi 14. Deskriptif statistik Dari output tersebut dapat dilihat rata-rata nilai rapot dari 15 siswa adalah 77.786 2. sebagai berikut: 1.

Model sisaan Pada tabel diatas angka R Square adalah 0.181.Dari tabel dapat dilihat bahwa besar hubungan antara variabel nilai rapot dengan sex adalah -0.042 hal ini menunjukan hubungan negatif.779 yang jauh lebih kecil dari dari standar error. sedangkan variabel yang dikeluarkan tidak ada (Variables Removed tidak ada) 4. besar hubungan nilai harian 1 dengan nilai rapot adalah 0. oleh karena lebih besar daripada .238 yang berarti ada hubungan positif. Standar Error of the Estimate adalah 9. perhatikan pada analisis deskriptif statitik bahwa standar deviasi nilai rapot adalah 8. makin besar nilai harian 1 maka makin tinggi pula nilai rapot.063 yaitu hasil kuadrat dari koefisien korelasi (0. 3. Variabel masuk dan keluar Dari tabel diatas menunjukan variabel yang dimasukan adalah nilai harian 1 dan sex.250 x 0.063).250 = 0.

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.05 maka Ho ditolak Dari tabel diatas dapat dilihat nilai F hitung yaitu 0.05.standar deviasi nilai rapot maka model regresi tidak bagus dalam bertindak sebagai predictor nilai rapot.401. 6. Berdasarkan nilai Signifikan. 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 Jika T hitung > T tabel atau probabilitas < 0. maka model regresi tidak dapat dipakai untuk memprediksi nilai rapot. sehingga diperoleh nilai F tabel yaitu 3.401) < F tebel (3.05 maka Ho ditolak * Constant: Berdasarkan tabel diatas. terlihat pada kolom sig yaitu 0. 5.89.89) maka Ho diterima. Karena F hitung (0.679 itu berarti probabilitas 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 diterima Jika F hitung > T tabel atau probabilitas < 0. dapat dilihat bahwa nilai T hitung untuk .679 lebih dari daripada 0. Koefisien Hipotesis: Ho: Bi=0 Ha: ada Bi yang tidak nol .

05 maka diterima. artinya B tidak berarti Berdasarkan analisis diatas maka dapat dibuat model regresi dugaannya yaitu: Y = 69.782. Berarti bermakna dan diramalkan tidak melalui titik (0. 7. karena probabilitas kurang dari 0. pada T tabel dengan db 12 dan taraf signifikan 0. karena probabilitas kurang dari 0.05 maka ditolak.395.000.360. dapat dilihat bahwa nilai T hitung untuk Sex yaitu -0. dapat dilihat bahwa nilai T hitung untuk Harian 1 yaitu 0. pada T tabel dengan db 12 dan taraf signifikan 0.882. karena T hitung > T tabel maka Ho ditolak. *** Harian 1: Berdasarkan tabel diatas.05 diperoleh 1. karena T hitung < T tabel maka Ho diterima.782. sedangkan sig pada tabel B adalah 0.786.05 maka diterima. artinya B tidak berarti. sedangkan sig pada tabel B adalah 0. pada T tabel dengan db 12 dan taraf signifikan 0. ** Sex: Berdasarkan tabel diatas.05 diperoleh 1.429 Dari tabel diatas merupakan ringkasan yang meliputi nilai minimum dan maksimum.786 yang berarti probabilitas 0.05 diperoleh 1.000 yang berarti probabilitas 0.277. karena T hitung < T tabel maka Ho diterima.0). karena probabilitas kurang dari 0. Kelinieran . mean dan standar deviasi dari predicted value (nilai yang diprediksi) dan statistic residu.Constant yaitu 5. sedangkan sig pada tabel B adalah 0.782.786 yang berarti probabilitas 0.

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

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->