Mochammad Chanafi/18510121/Manajemen B/Resume Analisis Regresi Linier Berganda Dengan SPSS

Analisis Regresi Linear Berganda Menggunakan SPSS

Nama/NIM            : Mochammad Chanafi                                                                                                     Mata Kuliah          : Statisik II                                                                                            

Dosen Pengampu  : M. Nanang Choiruddin, SE., MM

Isi Resume

A.     Pengertian Analisis Regresi

         Salah satu analisis yang sering digunakan dalam penelitian kuantitatif adalah analisis regresi. Regresi merupakan istilah yang diperkenalkan oleh Francis Galton dengan hukumnya yang bernama “Hukum Regresi Universal”. Pengertian Regresi menurut Gujarati & Porter (2012) adalah “Analisis yang berkaitan dengan studi mengenai ketergantungan satu variabel dependen, terhadap satu atau lebih variabel independen dengan tujuan untuk mengestimasi dan/atau memperkirakan nilai rata-rata dari populasi variabel dependen dari nilai yang diketahui atau nilai tetap dari variabel independen.[1]

         Analisis regresi membantu peneliti (analys) dalam meramalkan, memprediksikan, atau memperkirakan tentang apa yang akan terjadi di masa yang akan datang berdasarkan data-data statistik yang didapatkan pada masa lalu atau sekarang untuk membantu dalam pengambilan keputusan. Analisis Regresi ini dapat menjadi salah satu cara untuk memprediksi seberapa besar perubahan pada variabel terikat (dependent) akibat pengaruh variabel bebas (independent). Regresi sederhana dapat dianalisis karena didasari oleh hubungan fungsional atau hubungan sebab akibat (hubungan kausal) antara variabel bebas (X) dan variabel terikat (Y). Antara analisis korelasi dengan regresi memiliki memiliki hubungan yang kuat sebab setiap melakukan analisis regresi secara otomatis pasti melakukan analisis korelasi, tetapi tidak berlaku sebaliknya yaitu setiap analisis korelasi belum tentu diteruskan atau dilanjutkan dengan analisis regresi. Analisis korelasi yang tidak dilanjutkan dengan analisis regresi adalah analisis korelasi yang kedua variabelnya tidak memiliki hubungan sebab-akibat atau fungsional. (Riduwan & Akdon, 2009).[2]

         Perbedaan mendasar antara korelasi dan regresi adalah pada analisis korelasi digunakan untuk mencari arah dan kuatnya hubungan antara dua variabel atau lebih, sedangkan analisis regresi digunakan untuk memprediksikan sebera jauh perubahan nilai variabel dependen (Y), jika nilai variabel independen (X) di manipulasi atau diubah-ubah, atau dinaik-turunkan. (Sugiyono, 2010). Analisis regresi dapat berbentuk regresi sederhana maupun regresi ganda. Analisis regresi sederhana menunjukkan hubungan dua variabel, yaitu satu variabel bebas (X) dan satu veriabel terikat (Y). Analisis regresi ganda menggunakan tiga atau lebih variabel, terdiri satu variabel terikat (Y) dan dua atau lebih variabel bebas (X).[3] Dalam pembahasan kali ini, saya sebagai penulis akan menjelaskan mengenai analisis regresi linier berganda menggunakan spss.

B.     Pengertian Analisis Regresi Linier Berganda.

         Regresi linier berganda merupakan model persamaan yang menjelaskan hubungan satu variabel tak bebas/response (Y) dengan dua atau lebih variabel bebas/predictor (X1, X2,…Xn). Tujuan dari uji regresi linier berganda adalah untuk memprediksi nilai variable tak bebas/ response (Y) apabila nilai-nilai variabel bebasnya/ predictor (X1, X2,..., Xn) diketahui. Disamping itu juga untuk dapat mengetahui bagaimanakah arah hubungan variabel tak bebas dengan variabel-variabel bebasnya.[4]

         Analisis regresi linier berganda jug dapat diartikan sebagai alat analisis peramalan nilai pengaruh antara dua variabela bebas atau lebih (X) terhadap satu variabel terikat (Y) dalam rangka  membuktikan ada tidaknya hubungan fungsional atau kausal antara dua variabel bebas atau lebih (X) tersebut terhadap satu variabel terikat (Y).[5]

         Analisis regresi linier berganda dapat digunakan untuk analisis regresi dengan jumlah variabel independen lebih dari satu dengan satu variabel dependen. Ada tambahan asumsi yang harus dipenuhi, yaitu tidak boleh ada korelasi antar variabel-variabel independennya (multikolinearitas).[6] Teknik regresi linier berganda digunakan untuk mengetahui ada tidaknya pengaruh signifikan dua atau lebih variabel bebas (X1, X2, X3, ..., Xk) terhadap variabel terikat (Y). Model regresi linier berganda untuk populasi dapat ditunjukkan sebagai berikut (Supranto, 2004): Y=β0+ β1X1+ β2X2+...+ βnXn+e.[7]

C.     Pengujian Data Dengan Analisis Regresi Linier Berganda Menggunakan SPSS.

Pengujian data dengan analisis regresi linier berganda dapat dicontohkan sebagai berikut ini:

         Penelitian terhadap mahasiswa UIN Sunan Kaliaga ingin mengetahui apa- kah terdapat hubungan antara keaktifan organisasi ekstrakurikuler dan kemandirian belajar mahasiswa terhadap tingkat intelegensi mahasiswa FITK. Untuk keperluan tersebut, ia mengedarkan kuisioner kepada 10 siswa sebagai responden yang berisi berisi 10 pertanyaan per variabel. Instrumen penelitian menggunakan skala pengukuran Likert dengan skor: (4) Sangat Setuju, (3) Setuju, (2) Tidak Setuju, dan (1) Sangat Tidak Setuju. Taraf sig- nifikan = 5%.

         Data dianggap memenuhi asumsi dan persyaratan anlisis yaitu data dipilih secara random, berdistribusi normal, berpola linier, data sudah homogen dan memiliki pasangan yang sama sesuai dengan subjek yang sama. Data total hasil jawaban variabel keaktifan ekstrakurikuler (X1), ke- mandirian belajar (X2) dan intelegensi (Y) dapat dilihat pada tabel berikut:

No	X1	X2	Y
1	30	31	39
2	38	35	44
3	40	43	49
4	38	39	45
5	29	32	35
6	33	36	43
7	25	25	33
8	31	30	38
9	24	30	36
10	31	35	40
∑	319	336	402

1)     Penghitungan menggunakan SPSS

1.      Masuk ke program SPSS lalu klik variable view pada SPSS data editor

a.       Pada kolom name, ketik responden pada baris pertama, X1 pada baris kedua, X2 pada baris ketiga, dan Y pada baris keempat.

b.      Pada kolom type untuk kolom responden menjadi string, yang lain tetap.

c.       Ubah angka pada kolom decimal menjadi nol.

d.      Pada kolom label, kosongkan baris pertama. Ketik Keaktifan Ekstrakurikuler pada baris kedua, Kemandirian Belajar pada baris ketiga, dan Intelegensi pada baris keempat.

e.      Pada kolom measure, ubah baris pertama menjadi nominal, baris kedua sampai keempat menjadi ordinal.

2.      Pengisian data

a.       Klik data view pada SPSS data editor.

b.      Pada kolom responden, masukkan semua responden.

c.       Pada kolom X1, masukkan nilai total jawaban untuk keaktifan ekstrakurikuler.

d.      Pada kolom X2, masukkan nilai total jawaban untuk kemandirian belajar.

e.      Pada kolom Y, masukkan nilai total jawaban untuk intelegensi.

3.      Pengolahan data

a.    Klik Analyze > Regression > Linier.

b.   Masukkan Keaktifan ekstrakurikuler (X1) dan Kemandirian Belajar (X2) ke Independent, serta Intelegensi (Y) ke Dependent.

c.   Klik Statistics, maka akan muncul kotak dialog “Linear Regression: Statistics”

·       Pada Regression Coefficients pilih Estimates, Model fit, R square change,dan Descriptive.

             ·      Klik Continue.

·         Klik Plot

               ·         Masukkan SDRESID ke kotak Y dan ZPRED ke kotak X, Akan nampak sebagai                                  berikut:

·         Klik Next, kemudian masukkan ZPRED ke kotak Y dan DEPENDENT ke kotak X.

·         Pilih Histogram dan Normal probability plot. Jika sudah selesai kemuian Klik Continue

·        Kemudian klik Continue, sehingga akan muncul kotak dialog “Linear Regression” sebagai berikut:

·      Klik Save, pada Predicted Value, pilih Unstandarized dan Prediction Intervals, Klik Mean dan Individu, kemudian Klik Continue.

          ·      Klik Options (pastikan bahwa taksiran probability dalam keadaan deafult sebesar 0,05),                       kemudian klik Continue.

·         Jika sudah yakin betul klik OK. Kemudian akan muncul hasil output sebagai berikut.[1]

2)     Analisis hasil output Regresi Ganda sebagai berikut

Descriptive Statistics

	Mean	Std. Deviation	N
Intelegensia	40,20	5,007	10
Keaktifan Ekstrakulikuler	31,90	5,425	10
Kemandirian Belajar	33,60	5,125	10

a)     Jumlah responden= 10 orang

b)     Rata-rata tingkat intelegensi sebesar 40,2 dengan standar deviasi 5,007. Artinya jika dihubungkan dengan rata-rata tingkat intelegensi sebesar 40,2/orang, maka tingkat intelegensi akan berkisar antara 40,2 5,007 tingkat dengan tingkat keaktifan ekstrakurikuler rata- rata 31,9 dan dengan tingkat kemandirian belajar rata-rata 33,6.

Correlations

		Intelegensia	Keaktifan Ekstrakulikuler	Kemandirian Belajar
Pearson Correlation	Intelegensia	1,000	,938	,939
	Keaktifan Ekstrakulikuler	,938	1,000	,878
	Kemandirian Belajar	,939	,878	1,000
Sig. (1-tailed)	Intelegensia	.	,000	,000
	Keaktifan Ekstrakulikuler	,000	.	,000
	Kemandirian Belajar	,000	,000	.
N	Intelegensia	10	10	10
	Keaktifan Ekstrakulikuler	10	10	10
	Kemandirian Belajar	10	10	10

c)      Korelasi secara parsial antara variabel keaktifan ekstrakurikuler (X1) dengan intelegensi (Y) diperoleh nilai sebesar r = 0.938. Hal ini menunjukkan adanya hubungan positif (searah) yang kuat antara (X1) dan (Y).

d)     Korelasi secara parsial antara variabel kemandirian belajar (X2) dengan tingkat intelegensi diperoleh nilai sebesar r = 0.939. Hal ini menunjukkan adanya hubungan positif (searah) yang kuat antara (X2) dan (Y).

Variables Entered/Removeda

Model	Variables Entered	Variables Removed	Method
1	Kemandirian Belajar, Keaktifan Ekstrakulikulerb	.	Enter

a.       Dependent Variable: Intelegensia

b.      All requested variables entered.

Tabel ini hanya berisi informasi bahwa semua variabel berhasil dimasukkan (entered), tidak ada yang dikeluarkan (removed).

Model Summary

Model	R	R Square	Adjusted R Square	Std. Error of the Estimate	Change Statistics
					R Square Change	F Change	df1	df2	Sig. F Change
1	,968a	,938	,920	1,418	,938	52,582	2	7	,000

a.   Predictors: (Constant), Kemandirian Belajar, Keaktifan Ekstrakulikul

b.   Dependent Variable: Intelegensia

Korelasi (R) secara simultan antara variabel keaktifan ekstrakurikuler (X1) dan kemandirian belajar (X2) terhadap tingkat intelegensi (Y) diperoleh nilai sebesar r = 0,968. R Square (korelasi koefisien) sebesar 93,8% menunjukkan kontribusi yang disumbangkan X1 dan X2 kepada Y.

ANOVA

Model		Sum of Squares	Df	Mean Square	F	Sig.
1	Regression	211,521	2	105,760	52,582	,000b
	Residual	14,079	7	2,011
	Total	225,600	9

a.          Dependent Variable: Intelegensia

b.         Predictors: (Constant), Kemandirian Belajar, Keaktifan Ekstrakulikuler

Perbandingan F_hitungdan F_tabel serta sig dan α: F_hitung=52,582>F_tabel=4,74, maka H0 ditolak dan Ha diterima. Sig.= 0,00>α=0,05, makaH0 ditolak dan Ha diterima.

Coefficients

Model B		Unstandardized Coefficients		Standardized Coefficients	T	Sig.
		Std. Error	Beta
1	(Constant)	9,072	3,134		2,895	,023
	Keaktifan Ekstrakulikuler	,457	,182	,495	2,512	,040
	Kemandirian Belajar	,493	,192	,505	2,563	,037

a.         Dependent Variable: Intelegensia

Model persamaan regresi untuk memperkirakan tingkat intelegensi (Y) yang dipengaruhi keaktifan ekstrakurikuler (X) adalah: .

a.    Jika seorang siswa tidak aktif di ekstrakurikuler dan tidak belajar mandiri (X1 dan X2=0), maka diperkirakan tingkat intelegensinya sebesar 9,072. Sedangkan jika tingkat keaktivan ekstrakurikuler dan kemandirian belajar bertambah 1 poin (X1 dan X2 = 5), maka tingkat intelegensi akan naik menjadi:

Y=9,072+0,457X_1+0,493X_2

=9,072+0,457(5)+0,493(5)=13,912

b.      Koefisien regresi sebesar 0,457 dan 0,493 menunjukkan besaran penambahan tingkat intelegensi untuk setiap penambahan poin jawaban keaktifan ekstrakurikuler dan kemandirian belajar.

Residuals Statistics

	Minimum	Maximum	Mean	Std. Deviation	N
Predicted Value	32,81	48,53	40,20	4,848	10
Std. Predicted Value	-1,524	1,719	,000	1,000	10
Standard Error of Predicted Value	,517	,998	,752	,203	10
Adjusted Predicted Value	32,67	48,10	40,05	4,929	10
Residual	-3,087	1,182	,000	1,251	10
Std. Residual	-2,177	,833	,000	,882	10
Stud. Residual	-2,352	1,173	,043	,994	10
Deleted Residual	-3,605	2,342	,154	1,618	10
Stud. Deleted Residual	-4,758	1,212	-,199	1,685	10
Mahal. Distance	,297	3,560	1,800	1,399	10
Cook's Distance	,000	,451	,097	,154	10
Centered Leverage Value	,033	,396	,200	,155	10

a.       Dependent Variable: Intelegensia

Pada bagian ini (tabel Residuals Statisticsa ) mengemukakan ringkasan hasil dari “Predicted Value” (nilai ,yang diprediksi) yang berisi nilai Minimal, Maksimum, Mean, Standar deviation, dan N.

Gambar ini (Histogram) menampilkan grafik histogram

Hasil dari Normal Probability – Plot ini menunjukkan penyebaran dari data- data yang ada pada variabel (menggambarkan garis regresi), sebab titik-titik terletak mendekati atau sekitar garis lurus.

Daftar Pustaka

Purwanto. 2019. Analisis Korelasi dan Regresi Linier Dengan SPSS 21. (Magelang: StaiaPress. E-book).

Imam Machali. 2015. Statistik Itu Mudah : Menggunakan SPSS Sebagai Alat Bantu Statistik.        (Yogyakarta: Lembaga Ladang Kata. E-book).

I Made Yuliara. 2016. Regresi Linier Berganda. (Makalah Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Udayana).

Maxsi Ary. 2014. Aanalisis Korelasi & Regresi Sederhana Menggunakan SPSS 17.0. (Banduk: e-book).

Amrin. 2016. Data Mining Dengan Regresi Linier Berganda Untuk Peramalan Tingkat Inflasi. (Jurnal Techno Nusa Mandiri Vol. XIII, No. 1 Maret 2016).

---

---

---

[1] Purwanto. Analisis Korelasi dan Regresi Linier Dengan SPSS 21. (Magelang: StaiaPress. 2019. E-book). hlm. 31.

[2] Imam Machali. Statistik Itu Mudah : Menggunakan SPSS Sebagai Alat Bantu Statistik. (Yogyakarta: Lembaga Ladang Kata. 2015. E-book). hlm. 127.

[3] Ibid. hlm. 128.

[4] I Made Yuliara. Regresi Linier Berganda. (Makalah Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Udayana. 2016). hlm. 2.

[5] Imam Machali. Statistik Itu Mudah : Menggunakan SPSS Sebagai Alat Bantu Statistik. (Yogyakarta: Lembaga Ladang Kata. 2015. E-book). hlm. 140.

[6] Maxsi Ary. Aanalisis Korelasi & Regresi Sederhana Menggunakan SPSS 17.0. (Banduk: e-book. 2014). hlm. 22.

[7] Amrin. Data Mining Dengan Regresi Linier Berganda Untuk Peramalan Tingkat Inflasi. (Jurnal Techno Nusa Mandiri Vol. XIII, No. 1 Maret 2016). hlm. 75.