Regresi Linier Sederhana Dan Berganda
Regresi merupakan suatu alat ukur yang juga digunakan
untuk mengukur ada atau tidaknya korelasi antarvariabel. Istilahregresi yang
berarti ramalan atau taksiran pertama kali diperkenalkan oleh Sir Francis Galton pada tahun 1877.
Analisis regresi adalah studi tentang masalah hubungan
beberapa variabel yang ditampilkan dalam persamaan matematika (Andi, 2009). Analisis
regresi lebih akurat dalam melakukan analisis korelasi, peramalan atau
perkiraan nilai variabel terikat pada nilai variabel bebas lebih akurat pula
karena pada analisis ini kesulitan dalam menunjukkan slop (tingkat perubahan
suatu variabel terhadap variabel lain dapat ditentukan).
Analisis regresi terbagi menjadi dua yaitu regresi
linier dan Nonlinier. Analisis regresi linear terdiri dari analisis regresi linear sederhana
dan analisis regresi linear berganda. Perbedaan antar keduanya terletak
pada jumlah variabel
independennya. Regresi linear sederhana hanya memiliki satu variabel
independen, sedangkan regresi linear berganda mempunyai banyak variabel
independen. Analisis regresi Nonlinier adalah regresi eksponensial.
A. Regeresi Linier Sederhana
Metode Statistik yang berfungsi untuk menguji sejauh
mana hubungan sebab akibat antara Variabel Faktor Penyebab (X) terhadap
Variabel Akibatnya merupakan Regresi Linear Sederhana. Faktor Penyebab pada
umumnya dilambangkan dengan X atau disebut juga dengan Predictor sedangkan
Variabel Akibat dilambangkan dengan Y atau disebut juga dengan Response.
Regresi Linear Sederhana atau sering disingkat dengan SLR
(Simple Linear Regression) juga merupakan salah satu Metode Statistik
yang dipergunakan dalam produksi untuk melakukan peramalan ataupun prediksi
tentang karakteristik kualitas maupun Kuantitas.
Contoh Penggunaan dalam Produksi :
1. Hubungan antara Lamanya Kerusakan Mesin dengan
Kualitas Produk yang dihasilkan
2. Hubungan Jumlah Pekerja dengan Output yang diproduksi
3. Hubungan antara suhu ruangan dengan Cacat Produksi
yang dihasilkan.
Model Persamaan Regresi
Linear Sederhana adalah seperti berikut ini :
Y = a + bX
Dimana :
Y = Variabel Response atau
Variabel Akibat (Dependent)
X = Variabel Predictor
atau Variabel Faktor Penyebab (Independent)
a = konstanta
b = koefisien regresi
(kemiringan); besaran Response yang ditimbulkan oleh Predictor.
Nilai-nilai a dan b dapat
dihitung dengan menggunakan Rumus dibawah ini :
Berikut ini adalah
Langkah-langkah dalam melakukan Analisis Regresi Linear Sederhana dengan cara
manual :
1. Menentukan Tujuan dari melakukan Analisis Regresi
Linear Sederhana
2. Identifikasikan Variabel Faktor Penyebab (Predictor)
dan Variabel Akibat (Response)
3. Lakukan Pengumpulan Data
4. Hitung X², Y²,
XY dan total dari masing-masingnya
5. Hitung a dan b berdasarkan rumus diatas.
6. Buatkan Model Persamaan Regresi Linear Sederhana.
7. Lakukan Prediksi atau Peramalan terhadap Variabel
Faktor Penyebab atau Variabel Akibat.
Contoh Kasus Analisis Regresi Linear Sederhana :
Seorang Engineer ingin mempelajari Hubungan antara
Suhu Ruangan dengan Jumlah Cacat yang diakibatkannya, sehingga dapat
memprediksi atau meramalkan jumlah cacat produksi jika suhu ruangan tersebut
tidak terkendali. Engineer tersebut kemudian mengambil data selama 30 hari
terhadap rata-rata (mean) suhu ruangan dan Jumlah Cacat Produksi.
Penyelesaian
Penyelesaiannya mengikuti Langkah-langkah dalam
Analisis Regresi Linear Sederhana adalah sebagai berikut :
Langkah 1 :
Penentuan Tujuan
Tujuan : Memprediksi Jumlah Cacat Produksi jika suhu
ruangan tidak terkendali
Langkah 2 :
Identifikasikan Variabel Penyebab dan Akibat
Varibel Faktor Penyebab
(X) : Suhu Ruangan,
Variabel Akibat (Y) : Jumlah Cacat Produksi
Langkah 3 :
Pengumpulan Data
Berikut ini adalah data yang berhasil dikumpulkan
selama 30 hari (berbentuk tabel) :
Tanggal Rata-rata Suhu Ruangan Jumlah Cacat
|
Tanggal
|
Rata-Rata Suhu Ruangan
|
Jumlah Cacat
|
|
1
|
24
|
10
|
|
2
|
22
|
5
|
|
3
|
21
|
6
|
|
4
|
20
|
3
|
|
5
|
22
|
6
|
|
6
|
19
|
4
|
|
7
|
20
|
5
|
|
8
|
23
|
9
|
|
9
|
24
|
11
|
|
10
|
25
|
13
|
|
11
|
21
|
7
|
|
12
|
20
|
4
|
|
13
|
20
|
6
|
|
14
|
19
|
3
|
|
15
|
25
|
12
|
|
16
|
27
|
13
|
|
17
|
28
|
16
|
|
18
|
25
|
12
|
|
19
|
26
|
14
|
|
20
|
24
|
12
|
|
21
|
27
|
16
|
|
22
|
23
|
9
|
|
23
|
24
|
13
|
|
24
|
23
|
11
|
|
25
|
22
|
7
|
|
26
|
21
|
5
|
|
27
|
26
|
12
|
|
28
|
25
|
11
|
|
29
|
26
|
13
|
|
30
|
27
|
14
|
Langkah 4 :
Hitung X², Y², XY dan total dari masing-masingnya
Berikut ini adalah tabel yang telah dilakukan
perhitungan X², Y², XY dan totalnya :
|
Tanggal
|
Rata-Rata Suhu Ruangan
|
Jumlah Cacat
|
X2
|
Y2
|
XY
|
|
1
|
24
|
10
|
576
|
100
|
240
|
|
2
|
22
|
5
|
484
|
25
|
110
|
|
3
|
21
|
6
|
441
|
36
|
126
|
|
4
|
20
|
3
|
400
|
9
|
60
|
|
5
|
22
|
6
|
484
|
36
|
132
|
|
6
|
19
|
4
|
361
|
16
|
76
|
|
7
|
20
|
5
|
400
|
25
|
100
|
|
8
|
23
|
9
|
529
|
81
|
207
|
|
9
|
24
|
11
|
576
|
121
|
264
|
|
10
|
25
|
13
|
625
|
169
|
325
|
|
11
|
21
|
7
|
441
|
49
|
147
|
|
12
|
20
|
4
|
400
|
16
|
80
|
|
13
|
20
|
6
|
400
|
36
|
120
|
|
14
|
19
|
3
|
361
|
9
|
57
|
|
15
|
25
|
12
|
625
|
144
|
300
|
|
16
|
27
|
13
|
729
|
169
|
351
|
|
17
|
28
|
16
|
784
|
256
|
448
|
|
18
|
25
|
12
|
625
|
144
|
300
|
|
19
|
26
|
14
|
676
|
196
|
364
|
|
20
|
24
|
12
|
576
|
144
|
288
|
|
21
|
27
|
16
|
729
|
256
|
432
|
|
22
|
23
|
9
|
529
|
81
|
207
|
|
23
|
24
|
13
|
576
|
169
|
312
|
|
24
|
23
|
11
|
529
|
121
|
253
|
|
25
|
22
|
7
|
484
|
49
|
154
|
|
26
|
21
|
5
|
441
|
25
|
105
|
|
27
|
26
|
12
|
676
|
144
|
312
|
|
28
|
25
|
11
|
625
|
121
|
275
|
|
29
|
26
|
13
|
676
|
169
|
338
|
|
30
|
27
|
14
|
729
|
196
|
378
|
|
Total
|
699
|
282
|
16487
|
3112
|
6861
|
Langkah 5 :
Hitung a dan b berdasarkan rumus Regresi Linear Sederhana
Menghitung Konstanta (a) :
Menghitung Koefisien
Regresi (b)
Langkah 6 : Buat
Model Persamaan Regresi
Y = a + bX
Y = -24,38 + 1,45X
Langkah 7 : Lakukan Prediksi atau Peramalan
terhadap Variabel Faktor Penyebab atau Variabel Akibat
1. Prediksikan Jumlah Cacat Produksi jika suhu dalam
keadaan tinggi (Variabel X), contohnya : 30°C
Y = -24,38 + 1,45
(30)
Y = 19,12
Jadi Jika Suhu ruangan mencapai 30°C, maka akan
diprediksikan akan terdapat 19,12 unit cacat yang dihasilkan oleh produksi.
2. Jika Cacat Produksi (Variabel Y) yang ditargetkan
hanya boleh 4 unit, maka berapakah suhu ruangan yang diperlukan untuk mencapai
target tersebut ?
4 = -24,38 + 1,45X
1,45X = 4 + 24,38
X = 28,38 / 1,45
X = 19,57
Jadi Prediksi Suhu Ruangan yang paling sesuai untuk
mencapai target Cacat Produksi adalah sekitar 19,57°C
Cara Melakukan
analisis Regresi Linier Sederhana Dengan SPSS:
Analisi Regresi Linier sederhana atau Simple Linier
Regression digunakan untuk mengukur besarnya pengaruh satu variabel bebas atau
variabel independent atau variabel predictor atauvariabel X terhadap variabel
tergantung atau variabel dependent atau variabel terikay atau variabel Y. Syarat kelayakan yang harus terpenuhi saat kita
menggunakan regresi linier adalah:
1. jumlah sampel yang digunakan harus sama
2. jumlah variabel bebas (X) adalah 1 (satu)
3. nilai residual harus berdistribusi normal
4. terdapat hubungan yang linier antara variabel bebas
(X) dengan variabel tergantung (Y)
5. tida terjadi gejala heteroskedastisitas
6. tidak terjadi gejala autokorelasi (untuk data time
series)
contoh kasus:
Sebuah data penelitian dengan judul “Pengaruh Stress
Kerja Terhadap Kinerja Pegawai”. Sebuah hipotesis atau kesimpulan sementara
dari judul tersebut adalah “terdapat pengaruh stress kerja terhadap kinerja
pegawai”
Berikut Langkah-langkahnya:
Sebelum melangkah ke dalam uji regresi linier
sederhana dengan SPSS, terlebih dahulu kita harus memastikan data tersebut
telah lulus dalam syarat kelayakan model regresi linier sederhana dengan cara
melakukan uji normalitas, uji linearitas, dan uji heteroskedastisitas.
Buka Lembar kerja SPSS lalu klik Variable View, selanjutnya pada kolom Name untuk baris pertama tulis X, baris kedua Y. Lalu
pada kolom Label baris pertama tulis Stress
Kerja dan baris kedua tulis Kinerja Pegawai
Langkah selanjutnya klik Data
View, selanjutnya masukkan data penelitian dengan ketentuan X untuk data
data Stress dan Y untuk Kinerja Pegawai.
Jika sudah yakin diinput dengan benar langkah
selanjutnya kita klik menu Analyze – kemudian
klik Regression – lalu klik Linear...
Setelah itu akan muncul kotak dialog Linear Regression, masukkan variabel Stress kerja [X]
ke kotak Independent (s), dan masukkan variabel kinerja [Y] ke kotak Dependent,
caranya dengan mengklik tanda panah yang tersedia. Selanjutnya pada bagian Method : pilih Enter
(abaikan pilihan yang lainnya)
Langkah terakhir adalah klik Ok
untuk mengakhiri perintah, maka akan keluar output SPSS regular linear
sederhana:
Keterangan : menjelaskan tentang variabel yang
dimasukkan serta metode yang digunakan dalam analisis regresi linear
Keterangan : berfungsi untuk uji F dalam analisis
regresi Linear berganda
Membuat Persamaan Regresi Linear Sederhana
Ditinjau secara umum rumus persamaan regresi liner
sederhana adalah Y = a
+bX sementara untuk mengetahui nilai koefisien regresi tersebut
kita dapat berpedoman pada output yang berada pada tabel
cofficients berikut:
a = angka konstan dari unstandardized coefficients.
Dalam kasus ini nilainya sebesar 35,420. Angka
ini merupakan angka konstan yang mempunyai arti bahwa jika tidak ada stress
kerja (X) maka nilai konssisten kinerja pegawai (Y) adalah sebesar 35,420
b = angka koefisien regresi. Nilainya sebesar -0,511. Angka ini mengandung arti bahwa setiap penambahan
1% tingkat Stress Kerja (X), maka kinerja pegawai (Y) akan meningkat sebesar -0,511
karena nilai koefisien regresi bernilai minus (-),
maka dengan demikian dapat dikatakan bahwa stress kerja (X) berpengaruh negatif
terhadap kinerja pegawai (Y). Sehingga persamaan regresinya adalah Y = 35,420 – 0,511 X
Uji Hipotesis dalam Analisis Regresi Linear
Sederhana
Uji hipotesis atau uji pengaruh berfungsi untuk
mengetahui apakah koefisie regresi tersebut signifikan atau tidak. Sekedar
mengingatkan bahwa hipotesis yang di ajukan dalam analisis regresi linear
sederhana ini adalah:
Ho : Tidak ada pengaruh stres kerja (X) terhadap
kinerja pegawai (Y)
Ha : ada pengaruh stres kerja (X) terhadap kinerja
pegawai (Y)
Sementara itu, untuk memastikan apakah koefisien
regresi tersebut signifikan atau tidak (dalam arti variabel X berpengaruh
terhadap variabel Y) kita dapat melakukan uju hipotesis ini dengan cara
membandingkan nilai Signifikansi (Sig.) dengan
probabilitas 0,05 atau dengan cara yang lain
yakni membandingkan nilai t hitung dengan t tabel.
Uji Hipotesis Membandingkan Nilai Sig dengan
0,05
Adapun yang menjadi dasar pengambilan keputusan dalam
analisis regresi dengan melihat nilai signifikansi (Sig.) hasil output SPSS
adalah :
1. Jika nilai signifikansi (Sig) lebih
kecil < dari probabilitas 0,05
mengandung arti bahwa ada pengaruh stress kerja (X) terhadap kinerja pegawai
(Y).
2. Sebaliknya, jika nilai signifikansi (Sig.) lebih besar besar > dari probabilitas 0,05 mengandung arti bahwa tidak ada pengaruh stres
kerja (X) terhadap kinerja pegawai (Y).
Output SPSS (coefficients)
Berdasarkan output diatas diketahui nilai signifikansi
(Sig.) sebesar 0,001 lebih kecil dari < probabilitas 0,05, sehingga dapat
disimpulkan bahwa Ho ditolak dan Ha diterima, yang berarti bahwa “Ada pengaruh
Stres Kerja (X) terhadap Kinerja Pegawai (Y)”
Uji Hipotesis
Membandingkan Nilai T hitung dengan t tabel
Pengujian hipotesis ini sering disebut juga dengan uji
t, dimana daasar pengambilan keputusan dalam uji t adalah:
1. Jika nilai t hitung lebih besar > dari t tabel maka
ada pengaruh Stres Kerja (X) terhadap Kinerja Pegawai (Y)
2. Sebaliknya, jika nilai t hitung lebih kecil dari t tabel maka tidak ada pengaruh Stress
Kerja (X) terhadap Kinerja Pegawai (Y)
Output SPSS
(coeficients)
Berdasarkan output diatas diketahui nilai t hitung
sebesar -4,418. Karena nilai t hitung sudah
ditemukan, maka langkah selanjutnya kita akan mencari nilai t tabel. Adapun
rumus dalam mencari t tabel adalah:
Nilai a/2 = 0,05/2 = 0,025
Derajad kebebasan (df) = n
– 2 = 12 -2 = 10
Nilai 0,025 ; 10 kemudian kita lihat pada distribusi
nilai t tabel, maka di dapat nilai t tabel sebesar 2,228
Karena nilai t hitung sebesar -4,418 lebih besar dari
> 2,228 sehingga dapat disimpulkan bahwa Ho ditolak dan Ha diterima, yang
berarti bahwa “Ada pengaruh Stres Kerja (X) terhadap Kinerja Pegawai (Y)”.
[nilai t hitung -4,418 dianggap lebih besar dari nilai t tabel 2,228 dalam
analisis regresi linear sederhana, pengertian ini, akan lebih jelas jika saya gambarkan
dengan kurva uji t dalam analisis regresi linear sederhana.
Catatan : uji t dapat menjadi alternatif uji
hipotesis jika nilai signifikansi hasil
SPSS tepat di angka 0,05
Uji Hipotesis dengan Melihat Kurva Regresi
Pengujian menggunakan kurva regresi akan bermanfaat
jika nilai t hitung ditemukan nagatif (-) yakni -4,418.
Berdasarkan kurva di atas diketahui bahwa nilai t
hitung sebesar -4,418 terletak pada area pengaruh negatif, sehingga dapat
disimpulkan bahwa “ada pengaruh Stres Kerja (X) terhadap Kinerja Pegawai (Y)”.
Besarnya Pengaruh Variabel X terhadap Y
Untuk mengetahui besarnya pengaruh Stres Kerja (X)
terhadap Kinerja Pegawai (Y) dalam analisis regresi linear sederhana, kita
dapat berpedoman pada nilai R Square atau R2 yang terdapat pada output SPSS
bagian Model Summary
Dati output diatas diketahui nilai R square
sebesar0,661. Nilai ini mengandung arti bahwa pengaruh Stres kerja (X) terhadap
Kinerja Pegawai (Y) adalah sebesar 66,1 % sedangkan 33,9% Kinerja Pegawai
dipengaruhi oleh variabel yang lain yang tidak diteliti.
Kesimpulan dari uji analisis regresi linear
sederhana
Merujuk pada pembahasan di atas, maka dapat kita
simpulkan bahwa Stress Kerja (X) berpengaruh negatif terhadap kinerja pegawai
(Y) dengan total pengaruh sebesar 66,1%. Pengaruh negatif ini bermakna semakin
menurunya stres kerja seorang pegawai maka akan berpengaruh terhadap
peningkatan kinerja pegawai tersebut.
B. Analisis Regresi Linear Berganda
Analisis regresi merupakan
suatu metode atau teknik analisis hipotesis penelitian untuk menguji ada
tidaknya pengaruh antara variabel satu dengan varuabel lain yang dinyatakan
dalam bentuk persamaan matematik (regresi). Analisis
regresi linear multiples atau berganda berfungsi untuk mencari pegaruh
dari dua atau lebih variabel independent (variabel bebas atau X) terhadap
variabel dependent (variabel terikat atau Y).
Dengan demikian secara sederhana dapat dikatakan
bahwa, apabila kita ibgin mengetahui ada tidaknya pengaruh satu variabel X
terhadap variabel Y maka digunakan analisis regresi linier sederhana. Sementara
apabila kita ingin mengetahui pengaruh dua variabel X atau lebih terhadap
variabel Y maka digunakan analisis regresi linear berganda.
Asumsi Analisis Regresi Linear Berganda
Sebelum melakukan analisis regresi linear berganda
unutk uji hipotesis penelitian, maka ada beberapa asumsu ataupun persyaratan
yang harus terpenuhi dalam model regresi.
1. Uji Normalitas, dimana asumsi yang harus terpenuhi adalah model
regresi berdistribusi normal. Dasar pengambilan keputusan dalam uji Normalitas
K-S adalah jika Signifikansi (Sig.) lebih besar dari 0,05 maka data penelitian
berdistribusi normal. Sebaliknya, jika nilai Signifikansi (Sig.) lebih kecil
dari 0,05 maka data penelitian tidak berdistribusi normal
Adapun cara melakukan uji
normalitas menggunakan SPSS adalah:
Langkah pertama adalah
buka program SPSS, lalu klik Variable View,
dibagian pojok kiri bawah. Selanjutnya, pada bagian Name
tulis saja Motivasi kemudian Prestasi, pada Decimals
ubah semua menjadi angka 0, untuk bagian Label
tuliskan Motivasi Belajar kemudian Prestasi Belajar, abaikan yang lainnya
(biarkan tetap default).
Setelah itu, klik Data View, dan masukkan data Motivasi Belajar dan
Prestasi Belajar yang sudah dipersiapkan tadi ke program SPSS sesuai nama
variabel, bisa dengan cara copy-paste.
Memunculkan nilai Unstandardized Residual (RES_1) yang selanjutnya akan
diuji normalitasnya. Dari menu SPSS pilih menu Analyze
>> Regression >> Linear
Muncul kotak dialog dengan
nama “Linear Regression”, selanjutnya masukkan
variabel Prestasi Belajar (Y) ke Dependent: lalu masukkan variabel Motivasi
Belajar (X) ke kotak Independent(s), kemudian klik Save
Maka muncul lagi kotak
dialog dengan nama “Linear Regression: Save”,
pada bagian “Reciduals”, centang (v) Unstandardized. Selanjutnya, klik Continue lalu klik Ok
Abaikan saja output yang
muncul dari program SPSS. Perhatikan tampilan Data View,
maka akan muncul variabel baru dengan nama RES_1. Maka tampak di layar SPSS.
Untuk melakukan uji
normalitas kolmogrov-smirnov, pilih menu Analyze
>> Non Parametric Tests >> Legacy Dialogs kemudian pilih submenu 1-Sample K-S....
Muncul kotak dialog lagi
dengan nama “One-Sample Kolmogrov-Smirnov Test”.
Selanjutnya, masukkan variabel Unstandardized Residuals ke kotak Test Variabel
List: pada “Test Distribution” aktifkan atau
centang (v) pilihan Normal
Klik Ok untuk mengakhiri perintah. Selanjutnya, lihat
tampilan tabel output yang muncul di SPSS “One-Sample
Kolmogrov-Smirnov Test”, maka tinggal kita interpretasikan supaya
maknanya lebih jelas
Interpretasi Uji
Normalitas dengan SPSS
Berdasarkan tabel output
SPSS, diketahui bahwa nilai Signifikansi Asyimp.
Sig (2-Tailed) sebesar 0,993 lebih besar dari 0,05. Maka sesuai dengan dasar pengambilan keputusan
dalam uji normalitas, dapat disimpulkan bahwa data tersebut berdistribusi normal.
2. Uji Linearitas, dimana hubungan yang terbentuk antara variabel
independent dengan variabel dependent secara parsial adalah linear. Dasar
pengambilan keputusan dalam uji Linearitas dapat dilakukan dengan 2 cara yaitu:
·
Membandingkan
Nilai Signifikansi dengan 0,05
Jika nilai Deviation from Linearity Sig. > 0,05,
maka ada hubungan yang linear secara signfikan begitupun sebaliknya
·
Membandingkan
nilai F hitung dengan F tabel
Jika nilai F hitung > F tabel, maka terdapat
hubungan yang linear secara signifikan, begitupun sebaliknya.
Adapun langkah-langkah
dalam uji Linearitas dengan SPSS:
Langkah pertama adalah
buka program SPSS, lalu klik Variable View,
dibagian pojok kiri bawah. Selanjutnya, pada bagian Name
tulis saja Motivasi kemudian Prestasi, pada Decimals
ubah semua menjadi angka 0, untuk bagian Label
tuliskan Motivasi Belajar kemudian Prestasi Belajar, abaikan yang lainnya
(biarkan tetap default).
Setelah itu, klik Data View, dan masukkan data Motivasi Belajar dan
Prestasi Belajar yang sudah dipersiapkan tadi ke program SPSS sesuai nama
variabel, bisa dengan cara copy-paste.
Dari menu utama SPSS pilih
Analyze >> Compare Means >> Means...
Muncul kotak dengan nama “Means”. Kemudian, masukkan variabel Motivasi Belajar
ke kotak Independent List: dan variabel Prestasi belajar ke kotak Dependent
List:
Selanjutnya, klik Options,
pada bagian “Statistics for First Layer” pilih Test of Linearity kemudian klik
Continue
Langkah terakhir adalah
klik Ok untuk mengakhiri perintah. Maka akan
muncul output SPSS. Dalam hal ini perhatikan tabel output “ANOVA Table”
Interpretasi Output uji
Linearitas dengan SPSS
*Berdasarkan nilai
Signifikansi (Sig.): nilai deviation from Linearity Sig. Adalah 0,721 lebih besar dari 0,05. Maka dapat disimpulkan
bahwa ada hubungan linear secara signifikan antara variabel Motivasi Belajar
(X) dengan variabel Prestasi Belajar (Y)
*Berdasarkan Nilai F:
nilai F hitung adalah 0,457 < F tabel 4,35.
Karena nilai F hitung lebih kecil dari nilai F tabel maka dapat disimpulkan
bahwa ada hubungan linear secara signifikan antara variabel Motivasi Belajar
(X) dengan variabel Prestasi Belajar (Y)
3. Uji Multikolinearitas, dimana model regresi yang baik adalah tidak terjadi
gejala multikolinearitas. Dasar pengambilan keputusan ada dua yaitu:
·
Pedoman
keputusan Berdasarkan Nilai Tolerance
Jika nilai tolerance lebih besar dari 0,10 maka
artinya tidak terjadi multikolinearitass dalam model regresi, begitupun
sebaliknya.
·
Pedoman
keputusan Berdasarkan Nilai VIF (Variance Inflation Factor)
Jika nilai VIF < 10,00 maka artinya tidak terjadi
multikolinearitass dalam model regresi, begitupun sebaliknya.
Adapun langkah-langkah
dalam uji multikolinearitas dengan SPSS:
Langkah pertama adalah
buka program SPSS, lalu klik Variable View,
dibagian pojok kiri bawah. Selanjutnya, pada bagian Name
tulis saja Motivasi, Minat dan Prestasi, pada Decimals ubah
semua menjadi angka 0, untuk bagian Label
tuliskan Motivasi (X1), Minat (X2) dan Prestasi (Y), pada bagian Measure ubah menjadi Scale. abaikan yang lainnya
(biarkan tetap default).
Setelah itu, klik Data View, dan masukkan data Motivasi, Minat dan Prestasi
yang sudah dipersiapkan tadi ke program SPSS sesuai nama variabel, bisa dengan
cara copy-paste atau satu persatu.
Selanjutnya dari menu SPSS
pilih menu Analyze >> Regression >>
Linear...
Muncul kotak baru dengan
nama “Linear Regression”, selanjutnya masukkan
variabel Motivasi dan Minat ke kotak Independent(s): lalu masukkan variabel
prestasi pada kotak Dependent: kemudian pada bagian :Method”
pilih Enter >> Statistics...
Pada layar akan muncul
tampilan dialog “Linear Regression: Statistics”. Aktifkan
pilihan dengan cara mencentang (v) pada Covariance Matriks dan Collinierity Diagnostics. Abaikan yang lain lalu klik Continue
Terakhir klik Ok, maka
akan muncul output SPSS dengan judul “Regression”.
Perhatikan tabel “Coefficients”
Interpretasi Output Uji
Multikolinearitas
Berdasarkan tabel output
“Coefficients” pada bagian “Collinearity Statistics” diketahui nilai Tolerance
untuk variabel motivasi dan Minat adalah 0,394
lebih besar dari 0,10. Sementara, nilai VIF
untuk variabel motivasi dan Minat adalah 2,537 <
10,00. Maka mengacu pada dasar pengambilan keputusan dalam uji
multikolinearitas dapat disimpulkan bahwa tidak terjadi gejala
multikolinearitas.
Catatan : jika jumlah
variabel independent (X) yang digunakan hanya ada 2 buah maka otomatis hasil
Tolerance dan VIF bernilai sama.
4. Uji heteroskedastisitas, dalam model regresi tidak terjadi gejala
heteroskedastisitas. Dasar pengambilan keputusan uji Heteroskedastisitas yaitu:
jika nilai Signifikansi lebih besar dari 0,05, maka kesimpulannya adalah tidak
terjadi gejala heteroskedastisitas dalam model regresi, begitupun sebaliknya.
Adapun langkah-langkah
dalam uji heteroskedastisitas yaitu:
Langkah pertama adalah
buka program SPSS, lalu klik Variable View,
dibagian pojok kiri bawah. Selanjutnya, pada bagian Name
tulis saja Motivasi, Minat dan Prestasi, pada Decimals
ubah semua menjadi angka 0, untuk bagian Label
tuliskan Motivasi (X1), Minat (X2) dan Prestasi (Y), pada bagian Measure ubah menjadi Scale. abaikan yang lainnya
(biarkan tetap default).
Setelah itu, klik Data View, dan masukkan data Motivasi, Minat dan
Prestasi yang sudah dipersiapkan tadi ke program SPSS sesuai nama variabel,
bisa dengan cara copy-paste atau satu persatu.
Selanjutnya dari menu SPSS
pilih menu Analyze >> Regression >>
Linear...
Muncul kotak baru dengan
nama “Linear Regression”, selanjutnya masukkan
variabel Motivasi dan Minat ke kotak Independent(s): lalu masukkan variabel
prestasi pada kotak Dependent: setelah itu klik Save...
Muncul dialog dengan nama “Linear Regression:Save” selanjutnya pada bagian “Residuals”, berikan tanda centang (v) pada bagian Unstandardized (abaikan pilihan lain), lalu klik Continue
Selanjutnya klik Ok (abaikan saja ada output SPSS yang muncul) lalu
buka Data View maka perhatikan disana muncul variabel baru dengan nama RES_1.
Kemudian kita akan membuat
variabel Abs_RES yang akan digunakan dalam uji Glejser ini. Dari menu utama
SPSS pilih Transform, lalu klik Compute Varibel....
Maka akan muncul dialog
“Compute Variable” selanjutnya pada kotak “Target variable” tuliskan Abs_RES
lalu pada kotak “Numeric Expression” ketikkan ABS(RES_1).
Kemudian klok Ok (Abaikan output yang muncul), lihat bagian Data
View maka muncul variabel Baru dengan nama Abs_RES.
Selanjutnya kita akan
melakukan uji glejser. Dari menu utama SPSS pilih Analyze
>> Regression >> lalu klik Linear...
Muncul kotak dialog dengan
nama “Linear Regression”, selanjutnya kelarkan
variabel Prestasi pada kolom Dependent: lalu ganti dengan Abs_RES, kemudian klik
Save...
Muncul kotak dengan nama “Linear Regression: Save”, selanjutnya pada bagian “Residuals”, hilangkan tanda centang (v) pada Unstandardized (abaikan pilihan lain, lalu klik Continue....
Langkah terakhir adalah
klik Ok untuk mengakhiri perintah.
Interpretasi Output Uji
Heteroskedastisitas dengan SPSS
Berdasarkan output di atas
diketahui nilai Sig. Untuk variabel Motivasi adalah 0,004. Sementara, nilai
nilai Sig. Untuk variabel Minat adalah 0,007. Karena nilai signifikansi kedua
variabel diatas lebih kecil dari 0,05 maka sesuai dengan dasar pengambilan
keputusan dapat disimpulkan terjadi gejala heteroskedastisitas dalam model
regresi.
Cara Melakukan analisis Regresi Linier
Berganda Dengan SPSS
Langkah pertama adalah
buka program SPSS, lalu klik Variable View,
dibagian pojok kiri bawah. Selanjutnya, pada bagian Name
tulis saja Motivasi, Minat dan Prestasi, pada Decimals
ubah semua menjadi angka 0, untuk bagian Label
tuliskan Motivasi (X1), Minat (X2) dan Prestasi (Y), pada bagian Measure ubah menjadi Scale. abaikan yang lainnya
(biarkan tetap default).
Setelah itu, klik Data View, dan masukkan data Motivasi, Minat dan
Prestasi yang sudah dipersiapkan
Selanjutnya dari menu SPSS
pilih menu Analyze >> Regression >>
Linear...
Muncul kotak baru dengan
nama “Linear Regression”, selanjutnya masukkan
variabel Motivasi dan Minat ke kotak Independent(s): lalu masukkan variabel
prestasi pada kotak Dependent: kemudian pada bagian :Method”
pilih Enter >> Statistics...
Pada layar akan muncul
tampilan dialog “Linear Regression:
Statistics”. Aktifkan pilihan dengan cara
mencentang (v) pada Estimates dan Mode Fit. lalu klik Continue
Terakhir klik Ok, maka akan muncul output SPSS
Tabel Output SPSS Analisis Regresi Berganda
Tabel output “Variables Entered/Removed” diatas
memberikan informasi tentang variabel penelitian serta metode yang digunakan
dalam analisis regresi.
Adapun rumus
persamaan regresi dala analisis atau penelitian adalah
Y = a + b1x1 + b2x2 atau Y = 2,612 + 0,192 + 0,888
Berdasarkan keempat output maka diperoleh:
Pertanyaan dan Pembahasan:
Pertanyaan dan Pembahasan:
1. Apa perbedaan Regresi Linier Sederhana dan Berganda?
Jawab : perbedaan
dari keduanya terletak pada jumlah variabel independenya. Pada regresi linear
sederhana hanya memiliki satu variabel independent sedangkan regresi linear
berganda memiliki lebih dari satu variabel independent
2. Apa perbedaan regresi dengan korelasi?
Jawab : analisis
korelasi adalah mengukur suatu tingkat atau kekuatan hubungan linear antara dua
variabel sedangkan analisis regresi mencoba untuk mengestimasi atau memprediksi
nilai rata-rata suatu variabel yang sudah diketahui nilainya, berdasarkan suatu
variabel lain yang juga sudah diketahui nilainya.
3. Diantara regresi sederhana dan berganda, yang rumit
dilakukan jenis apa?
Jawab : diantara
keduanya yang cukup rumit dilakukan tentunya berganda dikarenakan memiliki
lebih banyak variabel independent dibandingkan dengan regresi linear sederhana
4. Siapa yang pertama kali menemukan istilah regresi?
Jawab : menurut buku
Gujarati, istilah regresi diperkenalkan oleh Francis Galton
5. Apakah ada aplikasi lain selain SPSS yang bisa
digunakan dalam sebuah regresi?
Jawab : Excel, namun lebih
sering menggunakan SPSS
Daftar Pustaka
Unknown. 2013.
Regresi Linier Sederhana Manual. https://tutupohosali081175.blogspot.com/2013/06/regresi-linier-sederhana-manual.html. (diakses tanggal 6
Mei 2020)
Raharjo, Sahid. 2017.
Uji Analisis Regresi Linear Sederhana dengan SPSS. https://www.spssindonesia.com/2017/03/uji-analisis-regresi-linear-sederhana.html. (diakses tanggal 6
mei 2020)
Raharjo, Sahid. 2014.
Cara Melakukan analisis Regresi Multiples (Berganda) dengan SPSS. https://www.spssindonesia.com/2014/02/analisis-regresi-multipes-dengan-spss.html. (diakses tanggal 6
Mei 2020)
Raharjo, Sahid. 2014.
Cara Melakukan Uji Normalitas Kolmogrov-Smirnov dengan SPSS. https://www.spssindonesia.com/2014/01/uji-normalitas-kolmogorov-smirnov-spss.html. (diakses tanggal 6
Mei 2020)
Raharjo, Sahid. 2014.
Cara Melakukan Uji Linearitas dengan Program SPSS. https://www.spssindonesia.com/2014/02/uji-linearitas-dengan-program-spss.html (diakses tanggal 6
Mei 2020)
Raharjo, Sahid. 2014.
Uji Multikolinearitas dengan melihat Nilai Tolerance dan VIF SPSS. https://www.spssindonesia.com/2014/02/uji-multikolonieritas-dengan-melihat.html. (diakses tanggal 6
Mei 2020)
Raharjo, Sahid. 2014.
Tutorial Uji Heteroskedestasitas dengan Glejser SPSS. https://www.spssindonesia.com/2014/02/uji-heteroskedastisitas-glejser-spss.html. (diakses tanggal 6 Mei
2020)
Raharjo, Sahid. 2014.
Tutorial Uji Heteroskedestasitas dengan Glejser SPSS. https://www.spssindonesia.com/2014/02/uji-heteroskedastisitas-glejser-spss.html. (diakses tanggal 6
Mei 2020)
Tidak ada komentar:
Posting Komentar