REGRESI LINEAR BERGANDA

KONSEP DASAR REGRESI LINEAR BERGANDA

Regresi adalah metode statistika yang digunakan untuk mengetahui pengaruh antara dua atau lebih variabel. Salah satu metode yang digunakan untuk menguji pengaruh ini adalah uji regresi.

Uji regresi adalah metode statistika yang digunakan untuk mengetahui pengaruh antara variabel dependen dan variabel independen. Variabel dependen adalah variabel yang ingin ditentukan pengaruhnya, sedangkan variabel independen adalah variabel yang digunakan sebagai pemodel. Uji regresi digunakan untuk mengetahui seberapa kuat pengaruh antara kedua variabel tersebut, serta untuk memprediksi nilai dari variabel dependen berdasarkan nilai dari variabel independen.

Regresi berganda adalah teknik analisis statistik yang digunakan untuk menganalisis pengaruh antara satu variabel dependen (variabel yang ingin diterangkan) dengan lebih dari satu variabel independen (variabel yang digunakan sebagai pemodel). Dalam regresi berganda, model digunakan untuk memprediksi nilai variabel dependen berdasarkan nilai dari variabel independen. Skala data yang digunakan oleh variabel dependen dalam regresi linear berganda yaitu data interval atau rasio. Sebelum melakukan uji regresi linear berganda ada uji asumsi yang harus terpenuhi, diantaranya lolos uji normalitas, lolos heteroskedastisitas, lolos uji multikolinearitas dan lolos uji autokorelasi untuk data sekunder atau data time series.

Apabila uji asumsi klasik dalam uji regresi ganda lolos, baru bisa melakukan analisisi regresi linear berganda yang akan memunculkan sebuah persamaan regresi. Model regresi berganda dapat digambarkan dengan persamaan matematika yang menunjukkan hubungan antara variabel dependen dan independen. Persamaan ini disebut persamaan regresi. Biasanya, persamaan ini ditulis dengan menggunakan notasi y = b0 + b1x1 + b2x2 + … + bnxn, di mana y adalah variabel dependen, x1, x2, …, xn adalah variabel independen, dan b0, b1, b2, …, bn adalah koefisien regresi yang menunjukkan tingkat kontribusi masing-masing variabel independen terhadap variabel dependen.

Selain persamaan regresi, ada yang namanya uji hipotisis yang bisa diambil dalam uji t, uji t (parsial) bertujuan untuk mengetahui ada atau tidaknya pengaruh variabel independen terhadap variabel dependen secara parsial atau sendiri-sendiri, dimana penarikan kesimpulan dalam uji t bisa menggunakan perbandingan nilai signifikansi dengan Alpha (α) yang digunakan. Selain uji t, ada yang namanya uji f yang memiliki tujuan untuk mengetahui ada taua tidaknya pengaruh varaibel independen terhadap variabel dependen secara simultan (bersama-sama). Penarikan kesimpulan dalam uji f bisa menggunakan perbandingan nilai signifikansi dengan Alpha (α) yang digunakan. Selain itu, ada uji koefisien determinasi atau R Square yang bertujuan untuk mengetahui sumbangan pengaruh variabel independen terhadap variabel dependen secara bersama-sama, biasanya nilai yang di peroleh dirubah ke dalam bentuk persentase (%). Untuk mengetahui sumbangan pengaruh variabel independen terhadap variabel dependen secara sendiri-sendiri bisa menggunakan perhitungan sumbangan efektif.

Regresi berganda memiliki beberapa keuntungan dibandingkan dengan regresi sederhana, yaitu:

Mampu menganalisis pengaruh antara satu variabel dependen dengan lebih dari satu variabel independen.
Mampu menganalisis pengaruh antara variabel dependen dan independen secara serentak.
Mampu menganalisis pengaruh antara variabel dependen dan independen secara parsial.

BERIKUT CARA UJI REGRESI LINEAR BERGANDA DI SPSS:

Siapkan tabulasi data di Excel, lalu input data atau masukan data ke SPSS pada Page Data View.

Jangan lupa isikan juga pada Page Variable View.

Selanjutnya lakukan analisis data, dengan cara pilih menu Analyze – Regression – Linear

Muncul kotak dialog, seperti ini :

Masukan Variabel X (Independen) ke kolom Independent(s) dan variabel Y (Dependen) masukan ke kolom Dependent lalu pilih OK

Keluar Output SPSS untuk Uji Regresi Berganda :

Interpretasi Output Uji Koefisen Determinasi dalam Regresi Berganda (Tabel Model Summary)

Diketahui nilai Adjusted R Square sebesar 0,360 maka bisa ditarik kesimpulan bahawa variabel independen mampu memberikan sumbangan pengaruh terhadap variabel dependen sebesar 36% dan sisanya sebesar 64% dipengaruhi variabel lain diluar penelitian. Apabila kalian ingin menggunakan R Square dalam regresi berganda, saya sarankan untuk melakukan perhitungan sumbangan efektif juga, karena tujuannya untuk mengetahui sumbangan pengaruh variabel independen terhadap variabel dependen secara parsial atau sendiri-sendiri.

Kriteria Pengujian Uji F dalam Regresi Berganda (Tabel ANOVA) :

Nilai Sig. > 0,05 berkesimpulan Tidak Ada Pengaruh Secara Simultan
Nilai Sig. < 0,05 berkesimpulan Ada Pengaruh Secara Simultan

Kriteria Pengujian Uji T dalam Regresi Berganda (Tabel Coefficient) :

Nilai Sig. > 0,05 berkesimpulan Tidak Ada Pengaruh Secara Parsial
Nilai Sig. < 0,05 berkesimpulan Ada Pengaruh Secara Parsial

Interpretasi Output Uji T dalam Regresi Berganda (Tabel Coefficient) :

Variabel X1 memiliki nilai sig sebesar 0,003 (<0,05) berkesimpulan variabel X1 berpengaruh signifikan terhadap variabel Y
Variabel X2 memiliki nilai sig sebesar 0,023 (<0,05) berkesimpulan variabel X2 berpengaruh signifikan terhadap variabel Y
Variabel X3 memiliki nilai sig sebesar 0,238 (>0,05) berkesimpulan variabel X3 tidak berpengaruh signifikan terhadap variabel Y
Variabel X4 memiliki nilai sig sebesar 0,025 (<0,05) berkesimpulan variabel X4 berpengaruh signifikan terhadap variabel Y
Variabel X5 memiliki nilai sig sebesar 0,273 (>0,05) berkesimpulan variabel X5 tidak berpengaruh signifikan terhadap variabel Y

Persamaan Regresi Berganda yang di peroleh :

4,737 + 0,080X1 – 0,201X2 – 0,002X3 + 0,298X4 + 0,260X5

Analisis Persamaan Regresi :

Nilai Koefisien Regresi (Garis Ungu) Variabel X1 bernilai positif sebesar 0,080 artinya jika X1 meningkat maka Variabel Y juga ikut meningkat, begitu juga sebaliknya.
Nilai Koefisien Regresi (Garis Ungu) Variabel X2 bernilai negatif sebesar -0,201 artinya jika X2 meningkat maka Variabel Y akan menurun, begitu juga sebaliknya.
Nilai Koefisien Regresi (Garis Ungu) Variabel X3 bernilai negatif sebesar -0,002 artinya jika X3 meningkat maka Variabel Y akan menurun, begitu juga sebaliknya.
Nilai Koefisien Regresi (Garis Ungu) Variabel X4 bernilai positif sebesar 0,298 artinya jika X4 meningkat maka Variabel Y juga ikut meningkat, begitu juga sebaliknya.
Nilai Koefisien Regresi (Garis Ungu) Variabel X5 bernilai positif sebesar 0,260 artinya jika X5 meningkat maka Variabel Y juga ikut meningkat, begitu juga sebaliknya.