You are on page 1of 13

A.

REGRESI LINEAR GANDA (MULTIPEL) Bertujuan untuk mencari bentuk hubungan (relasi) linear antara satu variabel terikat Y dan k variabel bebas . Pembicaraan untuk X dan Y yang berskala interval. 1. Model Model hubungan antara variabel Y dan k variabel pada populasi adalah sebagai berikut. = + Untuk setiap pasangan ( ) dengan: = nilai ke-i variabel Y; = suku tetap; = koefisien regresi pada ; j = 1,2,....,k; dengan k 2; = galat random pada model regresi untuk populasi. Estimator untuk suku tetap disajikan dengan ,estimator untuk koefisien regresi disajikan dengan , dan estimator untuk disajikan dengan . Model regresi pada sampel adalah = + ; untuk k 2. Dengan pemikiran yang sama dengan pembicaraan pada regresi linear, maka persamaan regresi Y pada adalah: = ; untuk k 2. 2. Persyaratan Analisis Analisis regresi linear ganda agar persamaan regresinya dapat digunakan untuk prediksi diperlukan beberapa persyaratan. Kecuali persyaratan X dan Y harus berskala interval, persyaratan-persyaratan lain yang harus dipenuhi adalah: a. Hubungan antara dan Y linear dan berarti; b. Antara variabel-variabel bebas saling independen; c. Tidak ada variabel bebas yang relevan yang dikeluarkan; d. Tidak ada variabel bebas yang irelevan yang dimasukkan; e. Residu-residu berdistribusi normal dengan rerata 0 dan variasi ; f. Tidak ada korelasi antara variabel bebas dan residu; g. Tidak ada korelasi antara suku-suku sisa(residu-residu). Diantara ketujuh persyaratan tersebut, biasanya hanya dua persyaratan pertama yang harus diuji, sedangkan persyaratan lainnya cukup diasumsikan. 3. Hubungan antara dan Y linear dan berarti Hubungan antara dan Y harus linear, untuk setiap . Pengujian linearitas dengan Y perlu dilakukan, terlebih-lebih lagi kalau peneliti juga ingin menguji koefisien korelasi antara masing-masing variabel bebas dengan variabel terikat secara sendiri-sendiri. Ada dua keberartian yang diuji, adalah keberartian regresi dan keberartian koefisien regresi. Keberartian koefisien regresi ditunjukkan oleh berartinya setiap koefisien regresi (yaitu ). 4. Variabel-variabel Bebas Saling Independen Antara variabel-variabel bebas saling independen dalam arti bahwa antara masingmasing variabel bebas tidak saling berkorelasi cukup tinggi. Oleh karena itu, persyaratan ini

disebut juga persyaratan otokorelasi untuk variabel bebas. Persyaratan ini juga disebut persyaratan tidak adanya multikorelasi pada variabel bebas. Tidak ada patokan yang disepakati seberapa tinggi suatu korelasi disebut cukup tinggi. Pada kasus ini, beberapa literatur mengatakan bahwa suatu variabel bebas saling independen dengan variabel bebas yang lain jika koefisien korelasina kurang 0.8. B. MENCARI PERSAMAAN REGRESI LINEAR GANDA DENGAN MENGGUNAKAN KOEFISIEN KORELASI Mencari persamaan regresi linear ganda adalah dengan menggunakan koefisien korelasi sederhana antara masing-masing variabel bebas dengan variabel terikatnya. Untuk itu, dicari persamaan normal regresi bakunya. Persamaan normal regresi baku (PNRB) Y pada untuk j = 1, 2, 3, ..., k adalah persamaan: = dengan = (yang disebut koefisien regresi baku untuk ) = deviasi baku untuk = deviasi baku untuk Y Dengan menggunakan metode kuadrat terkecil, seperti pada analisis regresi linear sederhana, koefisien regresi baku dapat diperoleh dengan menyelesaikan sistem persamaan linear dalam , untuk j = 1, 2, 3, ..., k, sebagai berikut: * = Dengan adalah matriks persegi (bujur sangkar) berdimensi k x k, yaitu: *
1, untuk i=j;

= [ ] dengan

, untuk i j. = matriks kolom berdimensi k x 1 yang memuat koefisien regresi baku untuk j = 1, 2, 3,..., k; = matriks kolom berdimensi k x 1 yang memuat koefisien korelasi antara dengan Y, yaitu untuk j = 1, 2, . . ., k Untuk k = 2, persamaan regresi normal bakunya adalah: [ ][ ]= [ ] dan dicari dengan rumus:

Dari persamaan itu (untuk k=2), nilai = =

Untuk k = 3, persamaan regresi normal bakunya adalah: [ ][ ]=[ ]

Selanjutnya, nilai , , dan dicari dengan menggunakan determinan orde tiga, dengan menggunakan invers matriks, atau dengan menggunakan transformasi baris elemeter.

Perhatikanlah bahwa metriks simetris.

untuk setiap i dan j, yang berarti bahwa matriks adalah

Contoh 1: Diketahui data berikut: 5 4 7 6 4 6 7 5 6 8 6 4 5 5 8 6 5 5 5 4 7 7 5 7 Y 6 5 8 6 5 6 6 5 7 8 6 5 Carilah persamaan regresi Y pada dan . Solusi: Dengan menggunakan formula momen produk Karl Pearson akan diperoleh: = 0.402; = 0.859; = 0.707; = 5.667; = 5.750; = 6.083; = 1.303; = 1.215; = 1.084 sehingga persamaan normal regresi bakunya adalah: [ [ Diperoleh: = = = = = 0.431 Persamaan regresi normal bakunya ialah: = + = 0.686 +0.431 Dengan mensubstitusikan skor baru ke persamaan regresi normal baku diperoleh persamaan regresi Y pada dan sebagai berikut:

][

]= [ ][

] ]= [ ]

= 0.686

= 0.686

+ 0.686 + 0.431 }

= 6.083 + (1.084){0.868

= 0.639 + 0.570 + 0.385 = 0.639 + 0.570 + 0.385 bukanlah persamaan sebuah garis, namun persamaan sebuah bidang, sehingga jika terdapat dua buah X, maka regresinya adalah bidang regresi.

C.

CARA LAIN MENENTUKAN PERSAMAAN REGRESI LINEAR GANDA Ada cara lain untuk menentukan bidang persamaan regresi linear ganda dengan dua variabel bebas dan adalah sebagai berikut: = + + Dengan metode kuadrat terkecil, koefisien , , dan dapat dicari dari 3 persamaan dengan 3 variabel berikut. + + =

+ = + = Konstanta , , dan dapat dicari dengan metode substitusi dan eliminasi, dengan invers matriks, atau dengan cara lain. Contoh 2 : Tentukan persamaan regresi linear data berikut. Solusi: Tabel 1. Tabel Kerja Untuk Mencari Persamaan Regresi = + + Y 5 5 6 25 30 30 25 25 36 4 5 5 20 20 25 16 25 25 7 8 8 56 56 64 49 64 64 6 6 6 36 36 36 36 36 36 4 5 5 20 20 25 16 25 25 6 5 6 30 36 30 36 25 36 7 5 6 35 42 30 49 25 36 5 4 5 20 25 20 25 16 25 6 7 7 42 42 49 36 49 49 8 7 8 56 64 56 64 49 64 6 5 6 30 36 30 36 25 36 4 7 5 28 20 35 16 47 25 68 69 73 398 427 430 404 413 457 = 68; = 69; = 73; = 398; = 427; = 430;
= 404; = 413; Oleh karena itu, diperoleh persamaan: = 457;

+ +

+ 68 + 402 + 398 (3) (2) 12 x (4) (1)

+ + + : -6 : 12 - 72 : 12 + 68 -140 : + 1156 : + 1212

= 73 ............... = 427 ............... = 430 ............... + + + + + + + + +

(1) (2) (3)

= 3 ............... (4) = 36 ............... = 73 = -37 ............... (5) 17 x (1) = 1241 3 x (2) = 1281 = 40 ............... (6) (5) : -140 = -37 2.5 x (6) : = 100 = 63 ............... (7) Dari persamaan (7) diperoleh = 0.385. Nilai disubstitusikan ke persamaan (6) diperoleh = 0.570. Akhirnya, nilai dan disubstitsikan ke persamaan (4) diperoleh = 0.639, sehingga persamaan regresi linearnya adalah: = 0.639 + + Biasanya menyelesaikan sistem persamaan linear dengan tiga peubah tidak cukup mudah. Ada cara lain yang tampaknya lebuh mudah, yaitu dengan melibatkan deviasi dari , dan variabel , , dan Y. Deviasi-deviasi itu adalah: .

Seperti halnya pada regresi linear sederhana, regresi linear ganda juga melalui sentroidnya, sehingga dipenuhi: = + + Dari persamaan itu dicari dari: =- - Nilai dan dapat dicari dari: = Nilai jumlah kuadrat deviasi untuk masing-masing besaran dihitung dengan formula: = =

Contoh 3: Tentukan persamaan regresi linear data pada Contoh 2 dengan menggunakan masingmasing deviasi. Solusi: Dari tabel Contoh 2 diperoleh: = 68; = 69; = 73; = 398; = 427; = 430; = 404; = 413; = 457; Dari besaran-besaran itu, diperoleh: = 5.667; = 5.750; = 6.083 = 404 = 413 = 398 = 427 = 430 = = = 404 385.333 = 413 396.750 = 398 391 = 427 413.667 = 430 419.750 = 18.667 = 16.250 =7 = 13.333 = 10.250 = = = 0.570 = 0.385

= 6.083 (0.570)(5.667) - (0.385)(5.750) = 0.639 Jadi, persamaan regresinya adalah = 0.639 + +

D.

MENENTUKAN PERSAMAAN REGRESI LINEAR GANDA SECARA UMUM Misal persamaan regresi adalah: = + + + + ... + Seperti pada analisis regresi linear sederhana, jumlah kuadrat residu dirumuskan sebagai berikut: D = =

Regresi linear ganda akan diperoleh jika D mencapai minimum. Dengan sifat-sifat kalkulus kalkulus tertentu, jika D minimum, maka akan diperoleh sistem persamaan berikut. n + + + ... + = + + + ... + = + + + ... + = ................................................................................................................ + + + ... + = Nilai , , , ..., dicari dari sistem persamaan di atas dengan berbagai cara penyelesaian persamaan linear. E. UJI KEBERARTIAN REGRESI LINEAR GANDA Sebelum persamaan regresi linear digunakan untuk suatu keperluan, harus diuji keberartiannya dulu. Pada dasarnya uji keberartian regresi linear ganda adalah perluasan dari uji keberartian regresi linear sederhana. Untuk itu didefinisikan jumlah kuadrat total, jumlah kuadrat regresi, dan jumlah kuadrat galat (residu). Untuk regresi linear ganda, jumlah kuadrat total, disajikan dengan JKT, didefinisikan sebagai berikut: JKT = Untuk regresi linear ganda, jumlah kuadrat regresi, disajikan dengan JKR, didefinisikan sebagai berikut: JKR = Jumlah kuadrat ganda, disajikan dengan JKG, didefinisikan sebagai berikut: JKG = JKT JKR Dapat diketahui bahwa jumlah kuadrat total dan jumlah kuadrat regresi berbentuk sebagai berikut: JKT = JKR = + + + ... + Dari JKR dengan derajat kebebasan k dibentuk rerata kuadrat regresi (RKR), dari JKG dengan derajat kebebasan n k 1 dibentuk rerata kuadrat galat (RKG), sehingga statistik uji untuk keberartian regresi adalah: F = = F(k, n k 1)

Contoh 4: Ujilah keberartian regresi linear ganda yang diperoleh dari data pada Tabel 1 dengan = 0.05. Solusi: 1. : Hubungan linear ganda antara dan dengan Y tidak berarti. : Hubungan linear ganda antara dan dengan Y berarti. 2. = 0.05. 3. Komputasi: Dari Tabel 1, diperoleh: = 73 dan = 457 Sehingga: JKT = = 457 = 12.917 Dari Contoh 2, diperoleh: = 13.333; = 10.250; = 0.570; = 0.385 Sehingga: JKR = + = (0.570)(13.333) + (0.385)(10.250) = 11.546

JKG = JKT JKR = 12.917 11.546 = 1.371 Dari JKR, JKG, dan JKT tersebut dapat disusun rangkuman analisis variansinya seperti pada tabel berikut. Tabel 2. Rangkuman Analisis Variansi Pada Uji Keberartian Sumber JK dk RK p Regresi Linear 11.546 2 5.773 37.98 4.26 p < 0.05 Galat 1.371 9 0.152 Total 12.917 11 4. Keputusan Uji: ditolak. 5. Kesimpulan : Hubungan linear ganda antara dan dengan Y berarti. F. KESALAHAN BAKU TAKSIRAN PADA REGRESI LINEAR GANDA Seperti halnya pada regresi linear sederhana, untuk mengukur tingkat variabilitas si sekitar regresi didefinisikan kesalahan baku taksiran. Definisi 1: Kesalahan baku taksiran untuk regresi linear ganda, disajikan dengan , didefinikan sebagai berikut. =

Contoh 5: Carilah kesalahan baku regresi linear yang diperoleh dari Contoh 1. Solusi: Dari Contoh 4, diperoleh JKG = 1.371, sehingga: = G. = = 0.390

KESALAHAN BAKU KOEFISIEN REGRESI PADA REGRESI LINEAR GANDA Definisi 2: a. Kesalahan baku koefisien linear ganda pada regresi linear ganda, disajikan dengan , dengan 1 < m < k, didefinisikan sebagai berikut. = dengan adalah koefisien determinasi dari korelasi linear ganda dengan sebagai variabel tergantung , , ..., , , sebagai variabel bebas. b. Untuk , didefinisikan: = dengan adalah koefisien dari korelasi linear ganda dengan variabel tergantung dan , , ... , sebagaivariabel bebas. c. Untuk , didefinisikan: = dengan adalah koefisien determinasi dari korelasi linear ganda dengan sebagai variabel tergantung dan , , , ... , sebagai variabel bebas. sebagai

Khusus untuk kesalahan baku koefisien regresi linear ganda pada regresi dengan dua variabel bebas dan disajikan dengan , adalah sebagai berikut: = dengan adalah koefisien korelasi antara dan . Contoh 6: Carilah kesalahan baku untuk koefisien regresi yang diperoleh dari Contoh 1. Solusi: Dari Contoh 5, diperoleh: = 0.390, sehingga = 0.152 Dari Contoh 3, diperoleh: = 18.667 dan = 16.250 Dari Contoh 1, diperoleh: = 0.402. Oleh karena itu: = = H. = 0.009 = 0.106

UJI KEBERARTIAN KOEFISIEN REGRESI LINEAR GANDA Agar regresi yang diperoleh bisa digunakan untuk melakukan prediksi secara cermat, koefisien-koefisien regresinya (yaitu , , , ... , ) perlu diuji keberartiannya. Untuk menguji keberartian koefisien regresi digunakan statistik uji t = yaitu variabel random berdistribusi t dengan derajat kebebasan n k 1. Untuk uji keberartian koefisien regresi ini yang diuji adalah pasangan hipotesis berikut: : = 0(koefisien tidak berarti) : 0(koefisien berarti) Jadi, uji hipotesisnya adalah uji hipotesis dua ekor. Contoh 7: Ujilah keberartian dari koefisien regresi yang diperoleh dari Contoh 1. Solusi: a. Untuk = 0.570 Berdasarkan hasil perhitungan pada Contoh 6, diperoleh: = = = = 5.758 Karena DK = {t | t < atau t > } = {t| t < -2.262 atau t > 2.262}, maka hasil hipotesis nol ditolak, yang berarti bahwa berarti. b. Untuk = 0.385 Berdasarkan hasil perhitungan pada Contoh 6 diperoleh: = = = = 3.632 Karena DK = {t | t < atau t > } = {t| t < -2.262 atau t > 2.262}, maka hasil hipotesis nol ditolak, yang berarti bahwa berarti.

I.

KOEFISIEN DETERMINASI DAN KOEFISIEN KORELASI LINEAR GANDA Koefisien determinasi ganda Y pada , , , ..., , disajikan dengan Definisi 3: Koefisien determinasi ganda Y pada , , , ..., , disajikan dengan , didefinisikan sebagai berikut: = Dapat dibuktikan bahwa: = + Untuk k = 2, dapat dibuktikan bahwa: = Definisi 4: Koefisien determinasi ganda Y pada didefinisikan sebagai berikut: = Dapat ditunjukkan bahwa baik nilai koefisien determinasi ganda maupun koefisien korelasi ganda mempunyai nilai minimum 0 dan nilai maksimum 1. Jadi, 0 1 dan 0 1 Contoh 8: Carilah koefisien korelasi dari Contoh 1. Solusi: Untuk menjawab soal ini, digunakan hasil perhitungan pada Contoh 1 dan Contoh 4. Cara I: = = = Cara II: = + = (0.686)(0.859) + (0.431)(0.707) = = 0.946 Cara III: = = = = = 0.895 = = 0.946 J. UJI SIGNIFIKASI KOEFISIEN KORELASI LINEAR GANDA Uji signifikasi koefisien korelasi ganda dilakukan dengan menggunakan uji statistik F yang dirumuskan oleh: F = ~ F(k, n k 1) adalah . = 0.894 = 0.894 = 0.946 , , , ..., , disajikan dengan , + + ... +

dengan derajat kebebasan k dan n k 1. Dalam formula tersebut, yang dimaksud

Contoh 9: Ujilah signifikasi dari koefisien korelasi ganda yang diperoleh pada Contoh 1 jika digunakan = 0.01. Solusi: 1. : = 0 (tidak terdapat korelasi ganda antara dan dengan Y) : > 0 (terdapat korelasi ganda antara dan dengan Y) 2. = 0.01 3. Statistik uji yang digunakan: F 4. Komputasi: = 5. Daerah kritis: = 6. Keputusan Uji; ditolak 7. Kesimpulan: Terdapat korelasi ganda antara dan dengan Y signifikan). ; DK = = = 37.25 = ~ F(k, n k 1)

dan

dengan Y (atau korelasi ganda antara

Uji Signifikasi Menggunakan Analisis Variansi Jika uji signifikasi koefisien korelasi linear ganda dilakukan dengan menggunakan analisis variansi, perlu didefinisikan jumlah kuadrat regresi, jumlah kuadrat galat (residu), dan jumlah kuadrat total. Definisi 5: Jumlah kuadrat total (JKT), jumlah kuadrat regresi (JKR), dan jumlah kuadrat galat (JKG) pada koefisien korelasi linear ganda didefinisikan sebagai berikut: JKT = JKR = ( )JKT JKG = (1 - )JKT Dalam formula di atas, yang dimaksud adalah . Dalam kasus analisis korelasi linear ganda ini, derajat kebebasan untuk JKR adalah k dan derajat kebebasan untuk JKG adalah n k 1; sehingga rerata kuadrat masing-masing adalah: RKR = RKG = Statistik uji yang digunakan untuk menguji signifikasi korelasi linear ganda adalah: F = yang berdistribusi F dengan derajat kebebasan k dan n k 1. Contoh 10: Ujilah signifikasi dari koefisien korelasi ganda yang diperoleh pada Contoh 1 dengan menggunakan analisis variansi jika = 0.01.

Solusi: 1. : = 0 (tidak terdapat korelasi ganda antara dan dengan Y) : > 0 (terdapat korelasi ganda antara dan dengan Y) 2. = 0.01 3. Statistik uji yang digunakan: F = ~ F (k, n k 1) 4. Komputasi: JKT JKR JKG dkR dkG RKR = = 457 = 457 444.083 = ( )JKT = (0.894)(12.917) = 11.548 =( )JKT = (1 0.894)(12.917) =k =2 =nk1 = 12 2 1 = 9 = = 5.774 = 0.152 = 37.98 = 5. Daerah Kritis: = 8.02; DK = {F| F>8.02}; dan = 38.12 DK Tabel 4. Rangkuman Analisis Variansi Pada Uji Signifikasi Koefisien Korelasi Sumber JK dk RK p Regresi Linear 11.548 2 5.774 37.98 8.02 p < 0.05 Galat 1.369 9 0.152 Total 12.917 11 6. Keputusan Uji: ditolak 7. Kesimpulan: terdapat korelasi ganda antara dan dengan Y. Perhatikanlah bahwa pada hipotesis dituliskan = 0, walaupun susunan hipotesisnya adalah tipe C. Hal ini diperbolehkan karena sudah diketahui bahwa tidak mungkin negatif. Sebagai tambahan gambaran mengenai uji regresi dan korelasi ganda ini, berikut ini ditampilkan keluaran (Print Out) dari paket program statistik MINITAB. Kalau diperhatikan benar-benar, beberapa hasil perhitungan pada contoh-contoh soal di muka tidak sama persis dengan hasil perhitungan komputer. Hal ini disebabkan karena adanya pembulatanpembulatan pada perhitungan manual. MTB > REGRESS Y ON 2 X1 X2 The regression equation is Y = 0.639 + 0.570 X1 + 0.385 X2 Predictor Coef Stdev t-ratio P Constant 0.6389 0.6491 0.98 0.351 X1 0.59979 0.09862 5.78 0.000 X2 0.3853 0.1057 3.65 0.005 s = 0.3901 R-sq = 89.4% R-sq(adj) = 87.0 %

= 12.917 = 1.369

RKG =

Analysis of Variance SOURCE Regression Error Total

DF 2 9 11

SS MS F 11.5467 5.7734 3793 1.3699 0.1522 12.9167

P 0.000

Yang pertama ditampilkan oleh komputer adalah persamaan regresinya. Kemudian ditampilkan hasil uji keberartian koefisien regresi. Bilangan s yang ditulis di bawah hasil uji keberartian itu adalah kesalahan buku taksiran, R-sq adalah koefisiien determinasi, dan R-sq (adj) adalah koefisien determinasi yang dirumuskan: R-sq(adj) =1-

Rangkuman analisis variansi yang ditampilkan di atas, adalah analisis variansi untuk uji keberartian regresi dan sekaligus uji signifikasi koefisien korelasi. Rangkuman Penelitian Pada Regresi dan Korelasi Linear Ganda Perhatikan kembali Contoh 1. Pada contoh itu, terdapat 2 variabel bebas dan dan satu variabel bebas Y, Pada penelitian dengan 2 variabel bebas tersebutm peneliti dapat mempunyai 3 hipotesis alternatif, yaitu: 1. Terdapat korelasi positif (atau negatif) dengan Y. 2. Terdapat korelasi positif (atau negatif) dengan Y. 3. Terdapat korelasi ganda antara dan dengan Y. Jika peneliti mempunyai 3 variabel bebas , , dan satu variabel terikat Y, peneliti dapat mempunyai 7 buah hipotesis alternatif, yaitu: 1. Terdapat korelasi positif (atau negatif) dengan Y. 2. Terdapat korelasi positif (atau negatif) dengan Y. 3. Terdapat korelasi positif (atau negatif) dengan Y. 4. Terdapat korelasi ganda antara dan dengan Y. 5. Terdapat korelasi ganda antara dan dengan Y. 6. Terdapat korelasi ganda antara dan dengan Y. 7. Terdapat korelasi ganda antara , , dan dengan Y. Namun demikian, peneliti tidak harus mempunyai 7 buah hipotesis tersebut. Peneliti dapat memilih sebagian di antaranya sesuai dengan urgensi penelitiannya. K. SUMBANGAN PREDIKTOR Di muka telah dibicarakan bahwa koefisien determinasi menjelaskan seberapa besar peran variabel-variabel bebas terhadap variabel berikut. Jika hanya ada variabel bebas, maka peran tersebut hanya dilakukan oleh satu variabel bebas tersebut. Namun, jika terdapat beberapa variabel bebas (prediktor), maka dapat dihitung berapa sumbangan (kontribusi) masing-masing variabel bebas tersebut terhadap terbentunya regresi linear. Ada dua jenis sumbangan, yaitu sumbangan efektif dan sumbangan relatis. Jumlah sumbangan efektif untuk semua variabel sama dengan koefisien determinasi, sedangkan jumlah sumbangan relatif untuk semua variabel bebasnya sama dengan satu (100%). Definisi 6: Sumbangan efektif, disajikan dengan SE, dan sumbangan relatif, disajikan dengan SR, terhadap terjadinya regresi linear pada regresi linear ganda dengan dua variabel bebas didefinisikan sebagai berikut:

SE(j) = SE(j) = dengan j = 1, 2, 3, ..., k dan =

You might also like