Gilang Febryan Syahputra_18510103_Regresi Berganda dengan Menggunakan SPSS

Nama/NIM         : Gilang Febryan Syahputra/18510103

Mata Kuliah        : Statistik II

Dosen                  : M. Nanang Choiruddin, SE., MM

A.      Pengertian Regresi Berganda

Regresi berganda adalah model regresi atau prediksi yang melibatkan lebih dari satu variabel bebas atau prediktor. Istilah regresi berganda dapat disebut juga dengan istilah multiple regression. Kata multiple berarti jamak atau lebih dari satu variabel.

Banyak para mahasiswa yang salah kaprah dalam memahami istilah tersebut. Dimana tidak bisa membedakan antara multiple regression dengan multivariat regression. Perbedaannya adalah jika multiple regression atau regresi berganda adalah adanya lebih dari satu variabel prediktor (variabel bebas/variabel independen). Sedangkan multivariat regression atau regresi multivariat adalah analisis regresi dimana melibatkan lebih dari satu variabel response (variabel terikat/variabel dependen).

B.      Jenis Regresi Berganda

a.       Regresi Linear BergandaRegresi Linear Berganda adalah model regresi berganda jika variabel terikatnya berskala data interval atau rasio (kuantitatif atau numerik). Sedangkan variabel bebas pada umumnya juga berskala data interval atau rasio. Namun ada juga regresi linear dimana variabel bebas menggunakan skala data nominal atau ordinal, yang lebih lazim disebut dengan istilah data dummy. Maka regresi linear yang seperti itu disebut dengan istilah regresi linear dengan variabel dummy. Contoh regresi berganda jenis ini adalah : “pengaruh DER dan NPM terhadap Return Saham.

b.       Regresi Logistik Berganda

Regresi Logistik berganda adalah model regresi berganda jika variabel terikatnya adalah data dikotomi. Dikotomi artinya dalam bentuk kategorik dengan jumlah kategori sebanyak

jika data numerik atau kuantitatif, maka disebut sebagai covariates.

Contoh regresi berganda jenis ini adalah: pengaruh tingkat penghasilan dan usia terhadap tingkat pengetahuan terhadap IT. Dimana tingkat penghasilan sebagai faktor dengan kategori: rendah, menengah dan tinggi. Usia sebagai covariates dengan skala data numerik. Dan tingkat pengetahuan terhadap IT sebagai variabel terikat berskala data ordinal dengan kategori : baik, cukup dan kurang.

c.       Regresi Multinomial Berganda

Regresi multinomial berganda adalah jenis regresi dimana variabel terikat adalah data nominal dengan jumlah kategori lebih dari 2 (dua) dan variabel bebas ada lebih dari satu variabel. Jenis regresi ini hampir sama dengan regresi logistik berganda, namun bedanya adalah variabel 2 kategori. Misal : Laki-laki dan perempuan, baik dan buruk, ya dan tidak, benar dan salah serta banyak lagi contoh lainnya.

Sedangkan variabel bebas jenis regresi berganda ini pada umumnya adalah juga variabel dikotomi. Namun tidak masalah jika variabel dalam skala data interval, rasio, ordinal maupun multinomial.

d.       Regresi Ordinal berganda

Regresi berganda jenis ini adalah analisis regresi dimana variabel terikat adalah berskala data ordinal. Sedangkan variabel bebas pada umumnya juga ordinal, namun tidak masalah jika variabel dengan skala data yang lain, baik kuantitatif maupun kualitatif. Keunikan regresi ini adalah jika variabel bebas adalah data kategorik atau kualitatif, maka disebut sebagai faktor. Sedangkan terikat kategorinya lebih dari dua, sedangkan regresi logistik berganda variabel terikatnya mempunyai kategori hanya dua (dikotomi). Regresi ini juga mirip dengan regresi ordinal, hanya saja bedanya skala data pada regresi ini tidak bertingkat (bukan ordinal) atau dengan kata lain tidak ada yang lebih baik atau lebih buruk.

Contoh regresi ini adalah : Pengaruh Pendidikan Orang Tua dan Penghasilan Orang Tua terhadap pilihan jurusan kuliah. Dimana pendidikan dan penghasilan orang tua berskala data ordinal dan pilihan jurusan kuliah adalah variabel berskala data nominal lebih dari dua kategori, yaitu: jurusan kesehatan, hukum, sosial, sastra, pendidikan, lain-lain. 

e.       Regresi Data Panel Berganda

Dari jenis-jenis di atas, sebenarnya masih ada jenis lain yang merupakan pengembangan dari jenis-jenis di atas, yaitu dengan adanya kompleksitas berupa data time series atau runtut waktu, atau data panel. Seperti yang terjadi pada regresi data panel ataupun regresi cochrane orcutt. Kalau misalnya regresi linear data panel, jika ada lebih dari satu variabel bebas, maka bisa disebut dengan istilah regresi linear data panel berganda. Namun kebanyakan orang atau peneliti, cukup menggunakan istilah yang umum digunakan, yaitu cukup dengan menyebut sebagai regresi data panel saja.

CONTOH KASUS : Aplikasi Regresi Linier Berganda untuk Mengetahui Pengaruh Umur, Tinggi Tanaman dan Rendemen Terhadap Hasil Jagung

Sebuah penelitian dilakukan untuk mengkaji hubungan antara tiga variabel yaitu tinggi tanaman, umur panen serta rendemen terhadap hasil tanaman jagung. Penelitian dilakukan terhadap 16 sampel tanaman jagung dari berbagai varietas. Data yang dikumpulkan adalah sebagai berikut :

Nomor	Umur tanaman (hari)	Tinggi tanaman (cm)	Rendemen (%)	Hasil (t/ha)
1	100	203	70	9.5
2	102	206	72	9.8
3	98	200	68	9.1
4	95	198	65	8.6
5	102	204	69	9.7
6	104	210	72	10
7	98	199	69	9
8	92	190	63	8
9	102	204	71	9.7
10	100	202	71	9.6
11	102	205	73	9.8
12	85	190	67	7.8
13	90	193	69	8
14	92	194	64	8.1
15	98	199	69	9
16	102	205	71	9.7

Penyelesaian

Model yang akan digunakan untuk analisis data adalah regresi linier. Tahapan analisisnya adalah:

1.       Buka program Excel Microsoft Office dan lakukan tabulasi seperti berikut simpan dengan nama misal regresi berganda.xls

Gambar 1. Tampilan data entri di Excel

2.       Buka program SPSS pada computer, selanjutnya akan muncul data view pada computer. Impor data dari Excel dengan klik File > Open > Data. Selanjutnya pada dialog File Type pilih Excel dan File nama pilih regresi berganda.xls dilanjutkan dengan klik Open. Klik Continue maka data akan ditampilkan di data view spss seperti berikut.

Gambar 2. Data view regresi linier berganda

3.       Selanjutnya kita akan melakukan analisis regresi, klik Analyze > Regression > Linear regression.

4.       Pilih variabel Hasil dan klik ke Dependent List, variabel Hasil akan berpindah ke kanan (lihat gambar 3). Selanjutnya pada Independent List pilih variabel Tinggi , umur dan rendemen. Kllik tanda panah ke kanan, variabel akan berpindah.

Gambar 3. Memasukkan variabel

5.       Masih pada kotak dialog Linear regression Klik statistics dan tandai pada

Estimates, Model Fit dan Descriptives dilanjutkan dengan klik Continue.

Gambar 4. Kotak dialog Linear regression statistics

6.       Masih pada kotak dialog Linear regression klik Plots dan tandai pilihan Histogram

dan Normal Probability Plot. dilanjutkan dengan klik Continue > OK.

Gambar 5. Tampilan plots

Mean Std. Deviation N Hasil 9.0875 .75971 16 Umur 97.62 5.390 16 Tinggi 200.12 5.898 16 Rendemen 68.94 2.932 16

OUTPUT MODEL

Descriptive Statistics

Interpretasi tabel : Tabel ini menjelaskan deskripsi variabel seperti rata-rata (mean), standar deviasi dan jumlah data (N). Nilai rata-rata variabel Hasil adalah 9,09 t/ha dengan rata-rata penyimpangan (deviasi mencapai 0,75) dengan jumlah data 16. Demikian pula pada Umur dan Tinggi, mempunyai nilai rata-rata 97,62 hari dan 200,12 cm dengan penyimpangan 5,39 dan 5,89 dengan jumlah data 16.

Model Summary^b

Model	R	R Square	Adjusted R Square	Std. Error of the Estimate
1	.991a	.982	.977	.11434

a.   Predictors: (Constant), Rendemen, Umur, Tinggi

b.   Dependent Variabel: Hasil

Interpretasi tabel: Nilai korelasi antara variabel prediktor (umur, tinggi tanaman, rendemen) dengan variabel hasil (R) = 0,991 sehingga dapat disimpulkan bahwa terdapat hubungan yang sangat erat antara umur dan tinggi tanaman serta rendemen terhadap hasil yang didapatkan.

Nilai R-square atau koefisien determinasi sebesar 0,982. Hal ini menunjukkan bahwa kemampuan variabel umur, tinggi tanaman, rendemen mempengaruhi hasil panen sebesar 98,2% dan masih terdapat 100-98,2 = 1,8% variabel lain (selain ketiga variabel tersebut) yang mempengaruhi hasil.

ANOVA^b

Model		Sum of Squares	Df	Mean Square	F	Sig.
1	Regression	8.501	3	2.834	216.741	.000a
	Residual	.157	12	.013
	Total	8.658	15

a.  

Predictors: (Constant), Rendemen, Umur, Tinggi

b.   Dependent Variabel: Hasil

Interpretasi: Uji Anova dilakukan untuk mengetahui ada tidaknya pengaruh variabel umur, tinggi dan rendemen terhadap hasil. Apabila nilai Sig atau P-value < 0,05 maka terdapat hubungan yang nyata antara variabel tersebut dengan hasil. Demikian pula apabila Sig > 0,05 maka dapat disimpulkan tidak ada hubungan antara variabel dengan hasil. Seperti terlihat pada tabel Anova, nilai Sig model sebesar 0,000 (<0,05) sehingga dapat disimpulkan terdapat sedikitnya 1 faktor yang berpengaruh secara signifikan dengan hasil jagung.

		Coefficients		a
Model		Unstandardized Coefficients		Standardized Coefficients	t	Sig.
		B	Std. Error	Beta
1	(Constant)	-9.488	1.842	.558	-5.150	.000
	Umur	.079	.019		4.120	.001
	Tinggi	.039	.021	.299	1.861	.087
	Rendemen	.046	.018	.178	2.539	.026

a. Dependent Variabel: Hasil

Interpretasi : Tabel coefficient menampilkan koefisien dari persamaan regresi yang dihasilkan. Berdasarkan tabel di atas, model regresi linier berganda dapat dituliskan sebagai berikut :

Y = -9,488 + 0,079 X1 + 0,039 X2 + 0, 046 X3

Dimana X1 = umur tanaman (hari) X2 = tinggi tanaman (cm)

X3 = rendemen (%)

DAFTAR PUSTAKA

Budi Setiawan (2015). Teknik Praktis Analisis Data Penelitian Sosial dan Bisnis dengan SPSS. Andi: Yogyakarta

Setiawan, B. (2013). Menganalisa Statistik Bisnis dan Ekonomi dengan SPSS 21. Andi: Yogyakarta

Hartono, SPSS 16.0 Analisis Data Statistik dan Penelitian, Yogyakarta:Pustaka

Pelajar, 2014

Wahab, Abdul, Pengantar Statistik untuk Pendidikan dan Sains, Yogyakarta:

                Kaukaba, 2013

Subana dan Maersetyo. Statistik Pendidikan. Bandung: Pustaka Setia 2000