Analisis Regresi Berganda Menggunakan SPSS

Nama   : Alfi Nuri Romadhoni

NIM    : 18510199

Kelas   : Statistik II B

Regresi linier berganda adalah analisis regresi yang menjelaskan hubungan antara peubah respon (variabel dependen) dengan faktor-faktor yang mempengaruhi lebih dari satu prediktor (variabel independen).

Regresi linier berganda hampir sama dengan regresi linier sederhana, hanya saja pada regresi linier berganda variabel bebasnya lebih dari satu variabel penduga. Tujuan analisis regresi linier berganda adalah untuk mengukur intensitas hubungan antara dua variabel atau lebih dan membuat prediksi perkiraan nilai Y atas X.

Ø  Contoh penerapan analisis regresi berganda menggunakan SPSS:

Sebagai pendahuluan dalam proses pengolahan data adalah mempersiapkan data. Data yang digunakan pada contoh berikut ini adalah data time series. Data Ekspor Pakaian Jadi dari Indonesia ke Jepang. Data yang tersedia dalam tahunan, 1985 – 2000. Adapun variabel penelitiannya adalah Ekspor Pakaian Jadi, dalam ton (EKS) sebagai variabel terikat (dependent variable). Harga Ekspor Pakaian Jadi, dalam juta per ton (HRG) dan Kurs Yen terhadap Rupiah (KURS) sebagai variabel bebas (independent variable). Contoh ini ingin melihat pengaruh variabel Harga Ekspor Pakaian Jadi (HRG) dan variabel Kurs Yen terhadap Rupiah (KURS) terhadap variabel Ekspor Pakaian Jadi (EKS), dengan model regresi sebagai berikut:

EKS = b ₀ + b₁HRG + b ₂ KURS + e

Data dapat dilihat sebagai berikut :

Tahun	EKS	HRG	KURS
1985	3678,8	248,48	5,65
1986	4065,3	331,48	10,23
1987	8431,4	641,88	13,50
1988	15718,0	100,80	13,84
1989	11891,0	536,69	12,66
1990	9349,7	332,25	13,98
1991	14561,0	657,60	15,69
1992	20148,0	928,10	16,62
1993	26776,0	1085,50	18,96
1994	43501,0	1912,20	22,05
1995	49223,0	2435,80	22,50
1996	65076,0	6936,70	20,60
1997	54941,0	3173,14	43,00
1998	58097,0	2107,70	70,67
1999	112871,0	2935,70	71,20
2000	108280,0	3235,80	84,00

Perhitungan Menggunakan SPSS:

A. Persiapan Data

1.      Buka aplikasi SPSS,  maka akan muncul tampilan seperti ini:

2.      copy paste data yang telah disiapkan ke dalam file sheet Data View, sehingga didapat hasil sebagai berikut:

3.      Setelah data ter-input, maka langkah selanjutnya memberikan identitas pada setiap variabel. Gantikan:

VAR00001 dengan EKS,

VAR00002 dengan HRG, dan

VAR00003 dengan KURS.

4.      Sehingga tampilan pada sheet Data View akan seperti ini:

B. Pengolahan Data

Estimasi model dilakukan secara sekaligus dengan pengujian asumsi klasik (multikolinieritas, autokorelasi, heteroskedastisitas dan normalitas). Sehingga output yang dihasilkan dari pengolahan data dapat digunakan untuk uji asumsi klasik dan uji kelayakan model. Adapun langkah-langkahnya adalah sebagai berikut:

1.      klik Analyze => Regression => Linier, lalu akan muncul tampilan seperti ini.

2.      Letakkan  EKS  dalam  kotak  Dependent.  Kemudian letakkan HRG dan KURS dalam kotak Independent(s). Hasil yang diperoleh adalah sebagai berikut.

Untuk memunculkan output guna menguji Asumsi Klasik ada 4, yaitu multikolinieritas, autokorelasi, heteroskedastisitas dan normalitas.

3.      Klik tombol “Statistics”, lalu centang “Collinearity...” untuk memunculkan hasil uji multikolinieritas dan centang “Dubin-Watson” untuk memunculkan hasil uji autokorelasi.

4.      Kemudian untuk memunculkan Heteroskedastisitas dan Normalitas, klik tombol “Plots” pada tampilan di no.2. Kemudian Pindahkan *ZPRED ke kotak X: dan pindahkan *ZRESID ke kotak Y: untuk memunculkan       hasil     uji heteroskedastisitas, kemudain centang “Normal probability plot” untuk memunculkan hasil uji normalitas.

5.      Setelah semua tombol perintah di klik kemudian tekan “OK”, akan muncul hasil seperti ini.

Pembahasan:

1.)    Uji Klasik

a.       Multikolinieritas

Hasil uji multikolinieritas, dapat dilihat pada tabel Coefficients^a

Nilai VIF untuk variabel HRG dan KURS sama-sama 1,248, sedangkan Tolerance-nya 0,801. Karena nilai VIF dari kedua variabel tidak ada yang lebih besar dari 10 atau 5 (banyak buku yang menyaratkan tidak lebih dari 10, tapi ada juga yang menyaratkan tidak lebih dari 5) maka dapat dikatakan tidak terjadi multikolinieritas pada kedua variabel bebas tersebut.

b.      Autokorelasi

Hasil uji autokorelasi, dapat dilihat pada tabel Model Summary^b

Nilai Durbin-Watson yang tertera pada outut SPSS disebut dengan DW hitung. Angka ini akan dibandingkan dengan kriteria penerimaan atau penolakan yang akan dibuat dengan nilai dL dan dU ditentukan berdasarkan jumlah variabel bebas dalam model regresi (k) dan jumlah sampelnya (n). Nilai dL dan dU dapat dilihat pada Tabel DW dengan tingkat signifikansi (error) 5% (α = 0,05).

·         Jumlah variabel bebas : k = 2

·         Jumlah sampel : n = 16

Tabel Durbin-Watson menunjukkan bahwa nilai dL = 0,982 dan nilai dU = 1,539 yang artinya berada pada daerah tidak ada autokorelasi. Sehingga dapat disimpulkan bahwa dalam model regresi linier tidak terjadi autokorelasi.

c.      Heteroskedastisitas

Hasil uji heteroskedastisitas dapat dilihat pada gambar Scatterplot

Dari gambar di atas terlihat bahwa sebaran titik tidak membentuk suatu pola/alur tertentu, sehingga dapat disimpulkan tidak terjadi heteroskedastisitas atau dengan kata lain terjadi homoskedastisitas. Asumsi klasik tentang heteroskedastisitas dalam model ini terpenuhi, yaitu terbebas dari heteroskedastisitas.

d.      Normalitas

Hasil uji normalitas dapat dilihat dari gambar Normal P-P Plot

Sebaran titik-titik dari gambar Normal P-P Plot di atas relatif mendekati garis lurus, sehingga dapat disimpulkan bahwa (data) residual terdistribusi normal.

2.)    Uji Kelayakan Model

a.       Uji Keterandalan Model (Uji F)

Hasil uji F dapat dilihat pada tabel ANOVA^a di bawah ini. Nilai prob. F hitung terlihat pada kolom terakhir (sig.)

Nilai prob. F hitung (sig.) pada tabel di atas nilainya 0,000 lebih kecil dari tingkat signifikansi 0,05 sehingga dapat disimpulkan bahwa model regresi linier yang diestimasi layak digunakan untuk menjelaskan pengaruh Harga Ekspor Pakaian Jadi (HRG) dan Kurs Yen terhadap Rupiah (KURS) terhadap variabel terikat Ekspor Pakaian Jadi (EKS).

b.      Uji Koefisien Regresi (Uji t)

Hasil pengujian dapat dilihat pada tabel Coefficients^a seperti pada gambar di bawah ini.

Nilai prob. t hitung dari variabel bebas HRG sebesar 0,001 yang lebih kecil dari 0,05 sehingga variabel bebas HRG berpengaruh signifikan terhadap variabel terikat EKS pada alpha 5% atau dengan kata lain, Harga Ekspor Pakaian Jadi berpengaruh signifikan terhadap Ekspor Pakaian Jadi pada taraf keyakinan 95%. Sama halnya dengan pengaruh variabel bebas KURS terhadap variabel terikat EKS, karena nilai prob. t hitung (0,000) yang lebih kecil dari 0,05 sehingga dapat dikatakan bahwa variabel bebas KURS berpengaruh signifikan terhadap variabel terikat EKS pada alpha 5% atau dengan kata lain, Nilai Kurs Yen terhadap Rupiah berpengaruh signifikan terhadap Ekspor Pakaian Jadi pada taraf keyakinan 95%.

c.       Koefisien Determinasi

Dalam menghitung nilai koefisien determinasi menggunakan R-Square seperti gambar di bawah

Jika dilihat dari nilai R-Square yang besarnya 0,911 menunjukkan bahwa proporsi pengaruh variabel HRG dan KURS terhadap variabel EKS sebesar 91,1%. Artinya, Harga Ekspor Pakaian Jadi dan Nilai Tukar Yen terhadap Rupiah memiliki proporsi pengaruh terhadap Ekspor Pakaian Jadi sebesar 91,1% sedangkan sisanya 8,9% (100% - 91,1%) dipengaruhi oleh variabel lain yang tidak ada didalam model regresi linier.