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??

Silahkan dicermati print outnya. lalu click "Compute Variable…" 2. "Regression >". Kalau perlu program SPSS-nya buat diinstall. agar masuk ke kolom Independents. agar masuk ke kolom Dependent 6. Jadinya yang kelihatan adalah. tanda " Click variabel dependen Residu (Y). ada kok. Jadi sudah print out regresi linier berganda menggunakan SPSS yang rapi dan indah. Beres dah Pengujian Normalitas 1. lalu "Linear…" 5. 7. Click OK. . Menggunakan nilai Durbin-Watson apda print out hasil analisis regresi. click "Analyze". Beres dah. Selanjutnya. Langsung click OK. Click "Transform". ada khan??? Pengujian Autokorelasi 1. Pengujian Multikolinearitas 1. Residu = Abs (Res_1) 3. Click OK 4.5. Menggunakan angka-angka VIF pada print out hasil analisis regresi . he he Total terdapat 22 kali click tombol left mouse. Pada kolom "Target Variable" ketik “Residu”. sedangkan pada kolom “Numeric Expression” ketik: Abs(Res_1). Di sebelah kanan uji –t. tinggal click aja link ini. lalu click >" atas. Block variable-variabel independennya (X). lalu click tanda ">" kedua.. 8.

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

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

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

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

3% artinya besarnya kemampuan variasi model x1 dan x2 dapat menjelaskan variabel y sebesar 48. Predictors: (Constant).483 atau 0.3.3% sedangkan sisanya 51.483 Std.93951 a. Koefisien Determinasi Model Summary Adjusted R Model 1 R .709a R Square .483 atau 48.7% dijelaskan oleh faktor lain yang tidak dijelaskan dalam analisis ini (penelitian ini). Error of the Estimate 2. abaikan yang lain kemudian OK. b. Uji statistik F (Simultan) . x1 Berdasarkan output diatas nilai dari Adjusted R Square adalah . x2. output yang diperlukan adalah sebagai berikut : a.503 Square .

806 Sig. Dependent Variable: y Berdasarkan hasil diatas nilai t x1 4.219x2 B 18.077 df 2 49 51 Mean Square 214.369 .492 . x2.002 maka dapat disimpulkan niali x1 berpengaruh terhadap y sebesar 4.492 3. .492x1+3.05) maka dapat dikatakan x1 dan x2 berpengaruh secara simultan terhdap y Sum of Squares 428.000 .353 Coefficients Beta t 4.396 852. Dependent Variable: y Berdasarkan output diatas nilai dari F 24.074 . Uji Statistik t (parsial) Coefficientsa Standardized Unstandardized Coefficients Model 1 (Constant) x1 x2 a.726 .000 (kirang dari 0.219 Sig.340 8. x1 b.000a c. .977 4.ANOVAb Model 1 Regression Residual Total a.219 keduanya lebih dari 2 (dalam hal ini df=n-2 lebih dari 20) dengan signifikansi 0.546+4.000 .002 . Jadi fungsi yang terbentuk adalah Y= 18. Error 3.641 F 24.546 .000 dan 0.806 (lebih dari 4) dalam signifikansi 0. Predictors: (Constant).082 .219.492 dan x2 3.681 423.492 dan x2 3.237 Std.

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

Value: $0 Value Rank: 874865 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. selain itu juga dapat menunjukkan ada atau tidaknya data yang outlier atau data yang ekstrim.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 . 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).

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

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

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

.

Korelasi .779 sedangkan rata-rata nilai harian 1 adalah 70.93 dengan standar deviasi 8.Cara membaca Output tersebut adalah.27 dengan standar deviasi 14. Deskriptif statistik Dari output tersebut dapat dilihat rata-rata nilai rapot dari 15 siswa adalah 77. sebagai berikut: 1.786 2.

Standar Error of the Estimate adalah 9.Dari tabel dapat dilihat bahwa besar hubungan antara variabel nilai rapot dengan sex adalah -0.042 hal ini menunjukan hubungan negatif. 3.063 yaitu hasil kuadrat dari koefisien korelasi (0. besar hubungan nilai harian 1 dengan nilai rapot adalah 0.Model sisaan Pada tabel diatas angka R Square adalah 0.238 yang berarti ada hubungan positif.063).779 yang jauh lebih kecil dari dari standar error. sedangkan variabel yang dikeluarkan tidak ada (Variables Removed tidak ada) 4.250 x 0. Variabel masuk dan keluar Dari tabel diatas menunjukan variabel yang dimasukan adalah nilai harian 1 dan sex.181. oleh karena lebih besar daripada . makin besar nilai harian 1 maka makin tinggi pula nilai rapot.250 = 0. perhatikan pada analisis deskriptif statitik bahwa standar deviasi nilai rapot adalah 8.

5. terlihat pada kolom sig yaitu 0.05 maka Ho ditolak Dari tabel diatas dapat dilihat nilai F hitung yaitu 0.05 maka Ho ditolak * Constant: Berdasarkan tabel diatas. Kesimpulan: Tidak ada koefisien yang tidak nol atau koefisien berarti.standar deviasi nilai rapot maka model regresi tidak bagus dalam bertindak sebagai predictor nilai rapot.401) < F tebel (3.401. Karena F hitung (0.679 itu berarti probabilitas 0. sehingga diperoleh nilai F tabel yaitu 3. 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 0.89) maka Ho diterima. dapat dilihat bahwa nilai T hitung untuk .05 maka Ho diterima Jika T hitung > T tabel atau 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 < 0.05.05 maka Ho diterima.89. i=1 atau 2 Pengambilan keputusan: Jika T hitung <= T tabel atau probabilitas >= 0.679 lebih dari daripada 0. maka model regresi tidak dapat dipakai untuk memprediksi nilai rapot. Koefisien Hipotesis: Ho: Bi=0 Ha: ada Bi yang tidak nol . 6.

000 yang berarti probabilitas 0. pada T tabel dengan db 12 dan taraf signifikan 0.05 maka ditolak.0).782.05 diperoleh 1.Constant yaitu 5.782.786. pada T tabel dengan db 12 dan taraf signifikan 0. pada T tabel dengan db 12 dan taraf signifikan 0. karena T hitung < T tabel maka Ho diterima.05 diperoleh 1. ** Sex: Berdasarkan tabel diatas. *** Harian 1: Berdasarkan tabel diatas. sedangkan sig pada tabel B adalah 0. sedangkan sig pada tabel B adalah 0.05 diperoleh 1. karena T hitung < T tabel maka Ho diterima.05 maka diterima. dapat dilihat bahwa nilai T hitung untuk Harian 1 yaitu 0. 7. karena probabilitas kurang dari 0.782.000. artinya B tidak berarti Berdasarkan analisis diatas maka dapat dibuat model regresi dugaannya yaitu: Y = 69. karena probabilitas kurang dari 0.05 maka diterima.882. artinya B tidak berarti. Kelinieran .429 Dari tabel diatas merupakan ringkasan yang meliputi nilai minimum dan maksimum. dapat dilihat bahwa nilai T hitung untuk Sex yaitu -0.360. sedangkan sig pada tabel B adalah 0.786 yang berarti probabilitas 0. mean dan standar deviasi dari predicted value (nilai yang diprediksi) dan statistic residu.786 yang berarti probabilitas 0.395.277. karena T hitung > T tabel maka Ho ditolak. karena probabilitas kurang dari 0. Berarti bermakna dan diramalkan tidak melalui titik (0.

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. . maka dapat dikatakan bahwa pernyataan normalitas tidak dapat dipenuhi.

Sign up to vote on this title
UsefulNot useful