Ekonomi Manajemen: Moh. Alfian Adam 18510160

Analisis Regresi Berganda dengan Menggunakan SPSS

Nama / NIM : Moh. Alfian Adam / 18510160

Mata Kuliah : Statistik

Dosen : M. Nanang Choiruddin,SE., MM

Analisis regresi linier ganda merupakan 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). Analisis regresi linier berganda memberikan kemudahan bagi pengguna untuk memasukkan lebih dari satu variabel bebas hingga k dimana banyaknya k kurang dari jumlah observasi (n).

Analisis ini untuk mengetahui arah hubungan antara variabel independen dengan variabel dependen apakah masing-masing variabel independen berhubungan positif atau negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel independen mengalami kenaikan atau penurunan. Variabel independen (independent variable) adalah tipe variabel yang menjelaskan atau mempengaruhi variabel yang lain. Variabel dependen (dependent variable) adalah tipe variabel yang dijelaskan atau dipengaruhi oleh variabel independen.

Regresi Linier Berganda Analisis yang memiliki variabel bebas lebih dari satu disebut analisis regresi linier berganda. Teknik regresi linier berganda digunakan untuk mengetahui ada tidaknya pengaruh signifikan dua atau lebih variabel bebas (X1, X2, X3, ..., Xk) terhadap variabel terikat (Y).[1]

Regresi Linier Berganda yang akan disimulasikan pada bagian ini menggunakan pendekatan Ordinary Least Squares (OLS). Penjelasan akan dibagi menjadi 5 (lima) tahapan, yaitu:

1) Persiapan Data (Tabulasi Data)

2) Estimasi Model Regresi Linier (Berganda)

3) Pengujian Asumsi Klasik

4) Uji Kelayakan Model (Goodness of Fit Model)

5) Intepretasi Model Regresi Linier (Berganda)

1) Persipapan Data (Tabulasi Data)

Sebagai pendahuluan dalam proses pengolahan data adalah mempersiapkan data. Data yang digunakan pada contoh berikut ini adalah data time series. Data time series merupakan salah satu jenis data dari satu entitas (perorangan, institusi, perusahaan, industri, negara, dll) dengan dimensi waktu/periode yang panjang. Satuan waktu dari data disesuaikan dengan data yang dimiliki, misalnya bulanan, triwulan, semesteran, atau tahunan.

Data dapat dibuat dalam file Excel. Setelah data siap, maka penginputan data dalam software SPSS dapat dilakukan dengan tahapan sebagai berikut:

a) Buka Aplikasi SPSS.

b) Setelah software SPSS terbuka, copy paste data yang telah disiapkan ke dalam file DATA, sheet Data View.

c) Setelah data ter-input, maka langkah selanjutnya memberikan identitas pada setiap variabel. Pindahkan tampilan ke sheet Variable View, sehingga tampilan pada sheet Data View akan sesuai dengan identitas. sampai disini persiapan data selesai, dan data sudah siap untuk diolah.

2) Estimasi Model Regresi Linier

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:

a) Estimasi regresi linier, Dengan cara klik Analyze => Regression => Linier.

Letakkan identitas 1 dalam kotak Dependent. Caranya tekan lalu tekan yang disamping kotak Dependent, sehingga identitas 1 akan pindah ke kotak kotak Dependent. Dengan cara yang sama letakkan identitas 2 dan identitas lainnya dalam kotak Independent. Apabila kita klik maka OK, output yang diperoleh hanya dapat di uji kelayakan modelnya saja, tidak termasuk output untuk uji asumsi klasik.

b) Memunculkan output guna menguji Asumsi Klasik.

Uji asumsi klasik setelah disederhanakan ada 4, yaitu: Multikolinieritas, Autokorelasi, Heteroskedastisitas dan Normalitas.

o Multikolinieritas menggunakan VIF dan Tolerance.

o Autokorelasi menggunakan Durbin-Watson.

o Heteroskedastisitas menggunakan Scatter Plot ZPRED dan ZRESID.

o Normalitas menggunakan Normal PP-Plot.

1. Multikolinieritas dan Autokorelasi ada di tombol Statistic.

ü Klik , lalu statistic.

ü Klik kotak disebelah kiri Collinearity diagnostics untuk memunculkan hasil uji multikolinieritas,

ü dan Klik kotak disebelah kiri Dubin-Watson untuk memunculkan hasil uji autokorelasi.

ü Setelah itu klik OK.

2. Heteroskedastisitas dan Normalitas ada di tombol PLOTS.

ü Klik PLOTS,

ü Pindahkan *ZPRED ke kotak X: dan pindahkan *ZRESID ke kotak Y: untuk memunculkan hasil uji heteroskedastisitas,

ü dan Klik kotak disebelah kiri Normal probability plot untuk memunculkan hasil uji normalitas.

ü Setelah itu klik CONTINUE.

Setelah semua tombol perintah yang diinginkan di klik, maka untuk memunculkan semua output, klik dengan demikian output yang diinginkan akan ditampilkan pada file OUTPUT.

Jangan lupa menyimpan kedua file (file DATA dan file OUTPUT) yang telah diperoleh dengan cara me-klik SAVE pada masing-masing file.

3. Pengujian Asumsi Klasik

Pengujian Asumsi Klasik Pada tahap ini tidak dilakukan operasionalisasi software SPSS, melainkan hanya cara membaca uji asumsi klasik dari output SPSS, sebagaimana yang tertampil pada file OUTPUT.

a) Multikolinieritas

Hasil uji multikolinieritas, dapat dilihat pada tabel Coefficientsa dua kolom terakhir.

b) Autokorelasi

Data yang digunakan untuk mengestimasi model regresi linier merupakan data time series maka diperlukan adanya uji asumsi terbebas dari autokorelasi. Hasil uji autokorelasi, dapat dilihat pada tabel Model Summaryb kolom terakhir.

Nilai Durbin-Watson yang tertera pada output 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).

c) Heteroskedastisitas

Pengujian heteroskedastisitas dilakukan dengan membuat Scatterplot (alur sebaran) antara residual dan nilai prediksi dari variabel terikat yang telah distandarisasi. Hasil uji heteroskedastisitas dapat dilihat pada gambar Scatterplot. Tidak ada ukuran yang pasti kapan suatu scatterplot membentuk pola atau tidak. Keputusan hanya mengandalkan pengamatan/penglihatan peneliti.

d) Bahwa asumsi normalitas yang dimaksud dalam asumsi klasik pendekatan OLS adalah (data) residual yang dibentuk model regresi linier terdistribusi normal, bukan variabel bebas ataupun variabel terikatnya. Kriteria sebuah (data) residual terdistribusi normal atau tidak dengan pendekatan Normal P-P Plot dapat dilakukan dengan melihat sebaran titiktitik yang ada pada gambar.

Apabila sebaran titik-titik tersebut mendekati atau rapat pada garis lurus (diagonal) maka dikatakan bahwa (data) residual terdistribusi normal, namun apabila sebaran titik-titik tersebut menjauhi garis maka tidak terdistribusi normal.

Kelemahan dari uji normalitas dengan Normal P-P Plot terletak pada kriteria dekat/jauhnya sebaran titik-titik. Tidak ada batasan yang jelas mengenai dekat atau jauhnya sebaran titiktitik tersebut sehingga sangat dimungkinkan terjadi kesalahan penarikan kesimpulan.

4. Uji Kelayakan Model

a) Uji Keterandalan Model (Uji F)

Uji keterandalan model atau uji kelayakan model atau yang lebih populer disebut sebagai uji F merupakan tahapan awal mengidentifikasi model regresi yang diestimasi layak atau tidak. Nama uji ini disebut sebagai uji F, karena mengikuti mengikuti distribusi F yang kriteria pengujiannya seperti One Way Anova. Hasil uji F dapat dilihat pada tabel ANOVA.

F hitung (ouput SPSS ditunjukkan pada kolom sig.) lebih kecil dari tingkat kesalahan/error (alpha) 0,05 (yang telah ditentukan) maka dapat dikatakan bahwa model regresi yang diestimasi layak, dan sebaliknya.

b) Uji Koefisien Regresi (Uji t)

Uji t dalam regresi linier berganda dimaksudkan untuk menguji apakah parameter (koefisien regresi dan konstanta) yang diduga untuk mengestimasi persamaan/model regresi linier berganda sudah merupakan parameter yang tepat atau belum. Hasil pengujian dapat dilihat pada tabel Coefficients.

Apabila nilai prob. t hitung (ouput SPSS ditunjukkan pada kolom sig.) lebih kecil dari tingkat kesalahan (alpha) 0,05 (yang telah ditentukan) maka dapat dikatakan bahwa variabel bebas (dari t hitung tersebut) berpengaruh signifikan terhadap variabel terikatnya, dan sebaliknya.

c) Koefisien Determinasi

Koefisien determinasi menjelaskan variasi pengaruh variabel-variabel bebas terhadap variabel terikatnya. Nilai koefisien determinasi dapat diukur oleh nilai RSquare atau Adjusted R-Square. R-Square digunakan pada saat variabel bebas hanya 1 saja (biasa disebut dengan Regresi Linier Sederhana), sedangkan Adjusted R-Square digunakan pada saat variabel bebas lebih dari satu.

5. Interpretasi Model

Interpretasi atau penafsiran atau penjelasan atas suatu model yang dihasilkan seharusnya dilakukan setelah semua tahapan (uji asumsi klasik dan kelayakan model) dilakukan. Interpretasi yang dilakukan terhadap koefisien regresi meliputi dua hal, tanda dan besaran.

Tanda menunjukkan arah hubungan. Tanda dapat bernilai positif atau negatif. Positif menunjukkan pengaruh yang searah antara variabel bebas terhadap variabel terikat, sedangkan negatif menunjukkan pengaruh yang berlawanan arah.

Besaran menjelaskan nominal slope persamaan regresi. Penjelasan tentang besaran dilakukan pada contoh model yang diestimasi. Perhatikan model (persamaan) regresi linier berganda yang telah diestimasi.

Hal ini bergantung kepada satuan dari variabel penelitian itu sendiri. Sebagai contoh data penelitian yang menggunakan data primer & kuesioner sebagai alat ukur variabelnya (biasanya menggunakan skala Linkert) tidak dapat diinterpretasikan dari sisi besaran, hanya dari sisi arah saja.

Contoh Studi Kasus Pada Perusahaan di BEI

Seorang mahasiswa jurusan akuntansi melakukan penelitian tentang pengaruh Working capital turnover dan Total asset turnover terhadap rentabilitas ekonomi pada perusahaan di BEI. variabel Working capital turnover dan Total asset turnover sebagai variabel independen (X1 dan X2) dan rentabilitas ekonomi sebagai variabel dependen (Y). Data-data yang diperoleh yakni sebagai berikut:

Hasil Output SPSS yakni sebagai berikut:

Output Variables Entered/Removed

Dari output dapat dilihat bahwa variabel independen yang dimasukkan ke dalam model adalah Total asset turn over dan Working capital turnover, dan variabel dependennya adalah Rentabilitas ekonomi. Dan tidak ada variabel yang dikeluarkan (removed). Sedangkan metode regresi menggunakan Enter.

Output Model Summary

• R adalah korelasi berganda, yaitu korelasi antara dua atau lebih variabel independen terhadap variabel dependen. Nilai R berkisar antara 0 sampai 1, jika mendekati 1 maka hubungan semakin erat tetapi jika mendekati 0 maka hubungan semakin lemah. Angka R didapat 0.772, artinya korelasi antara variabel Total asset turn over dan Working terhadap rentabilitas ekonomi sebesar 0.772, hal ini berarti terjadi hubungan yang erat karena nilai mendekati 1.

• R Square (R²), yaitu menunjukkan koefisien determinasi. Artinya persentase sumbangan pengaruh variabel independen terhadap variabel dependen. Nilai R² sebesar 0.596, artinya persentase sumbangan pengaruh variabel Total asset turn over dan Working terhadap rentabilitas ekonomi sebesar 59.6%, sedangkan sisanya sebesar dipengaruhi oleh variabel lain yang tidak dimasukkan dalam model ini.

• Adjusted R Square, adalah R Square yang telah disesuaikan, nilai sebesar 0.529. Ini menunjukkan sumbangan pengaruh variabel independen terhadap variabel dependen. Standard Error of the Estimate, adalah ukuran kesalahan prediksi, nilai sebesar 0.03934. Artinya kesalahan yang dapat terjadi dalam memprediksi rentabilitas ekonomi sebesar 0.03934.

• Durbin-Watson, yaitu nilai yang menunjukkan ada atau tidaknya autokorelasi dalam model regresi. Model regresi yang baik seharusnya tidak terjadi autokorelasi. Untuk mendeteksi ada atau tidaknya autokorelasi maka nilai DW akan dibandingkan dengan DW tabel, dengan kriteria sebagai berikut:

- Jika DW < dL atau DW > 4-dL berarti terdapat autokorelasi.

- Jika DW terletak antara dU dan 4-dU berarti tidak ada autokorelasi.

- Jika DW terletak antara dL dan dU atau diantara 4-dU dan 4-dL, maka tidak menghasilkan kesimpulan yang pasti.

Nilai DW dari output didapat 1.613. Untuk nilai dL dan dU dapat dilihat pada DW tabel pada Signifikansi 0.05 dengan n (jumlah data) = 15 dan k (jumlah variabel independen) = 2 didapat nilai dL adalah 0.946 dan dU adalah 1.543, jadi nilai 4-dU=2.457 dan 4-dL=3.054. Hal ini berarti nilai DW (1.613) berada pada daerah antara dU dan 4-U, maka tidak ada autokorelasi.

Output ANOVA

Analisis varian yaitu uji koefisien regresi secara bersama-sama (uji F) untuk menguji signifikansi pengaruh beberapa variabel independen terhadap variabel dependen. Pengujian menggunakan tingkat signfikansi 0.05. Langkah-langkah uji F adalah sebagai berikut:

1. Merumuskan Hipotesis

Ho : Working capital turnover dan Total asset turnover secara bersama-sama tidak berpengaruh terhadap rentabilitas ekonomi.

Ha : Working capital turnover dan Total asset turnover secara bersama-sama berpengaruh terhadap rentabilitas ekonomi.

2. Menentukan F hitung dan nilai Signifikansi

Dari output diperoleh F hitung sebesar 8.864 dan nilai signifikansi sebesar 0.004.

3. Menentukan F tabel

F tabel pada tingkat signifikansi 0.05 dengan df 1 (jumlah variabel–1) = 2, dan df 2 (n-k-1) atau 15-2-1 = 12 (n adalah jumlah data dan k adalah jumlah variabel independen), hasil diperoleh untuk F tabel sebesar 3.885.

4. Kriteria pengujian

· Jika F hitung < F tabel maka Ho diterima

· Jika F hitung > F tabel maka Ho ditolak

5. Membuat kesimpulan

F hitung > F tabel (8,864 > 3,885) dan Signifikansi < 0,05 (0,004 < 0,05) maka Ho ditolak, jadi dapat disimpulkan bahwa Working capital turnover dan Total asset turnover secara bersama-sama berpengaruh terhadap rentabilitas ekonomi.

Output Coefficients

· Unstandardized Coefficients adalah nilai koefisien yang tidak terstandarisasi, nilai ini menggunakan satuan yang digunakan pada data variabel dependen. Koefisien B terdiri nilai konstan (harga Y, jika X₁ dan X₂ = 0) dan koefisien regresi (nilai yang menunjukkan peningkatan atau penurunan variabel Y yang didasarkan variabel X₁ dan X₂).

· Standard Error adalah nilai maksimum kesalahan dalam memperkirakan rata-rata populasi berdasar sampel. Nilai ini untuk mencari t hitung.

· Standardized Coefficients, yakni nilai koefisien yang terstandarisasi atau ada patokan tertentu, jika mendekati 0 maka hubungan antara variabel X dengan Y semakin lemah.

· t hitung adalah pengujian signifikansi untuk mengetahui pengaruh variabel X₁ dan X₂ terhadap Y secara parsial, apakah berpengaruh signifikan atau tidak. Untuk mengetahui hasil signifikansi, angka t hitung akan dibandingkan dengan t tabel.

· Signifikansi yaitu besarnya probabilitas untuk memperoleh kesalahan dalam mengambil keputusan. Jika tingkat signifikansi 0.05, maka peluang kesalahan maksimal 5% dan 95% keputusan adalah benar.

· Collinearity Statistics adalah angka yang menunjukkan ada atau tidaknya hubungan linear secara sempurna atau mendekati sempurna antar variabel independen dalam model regresi. Asumsi klasik yang digunakan pada model regresi linier berganda yaitu bahwa tidak adanya multikolinearitas antar variabel independen.

Variabel yang menyebabkan multikolinearitas dapat dilihat dari nilai tolerance yang lebih kecil dari 0,1 atau nilai VIF yang lebih besar dari nilai 10 (Hair et al. 1992). Dari output di dapat nilai tolerance lebih dari 0,1 dan VIF kurang dari 10, sehingga tidak terjadi multikolinearitas.

Persamaan regresi linier berganda dengan 2 variabel independen adalah sebagai berikut:

Y’ = a + b₁X₁ + b₂X₂

Keterangan:

Y’ : Nilai prediksi variabel dependen (Rentabilitas ekonomi)

a : Konstanta, yaitu nilai Y’ jika X₁ dan X₂= 0

b₁,b₂ : Koefisien regresi, yaitu nilai peningkatan atau penurunan variabel Y’ yang didasarkan variabel X₁ dan X₂

X₁ : Variabel independen (Working capital turnover)

X₂ : Variabel independen (Total asset turnover)

Nilai-nilai pada output kemudian dimasukkan ke dalam persamaan regresi linier berganda sebagai berikut:

Y’ = 0.002 + 0.031X₁ + 0.098X₂

- Nilai konstanta (a) adalah 0.002. hal ini dapat diartikan jika variabel independen bernilai 0, maka rentabilitas ekonomi nilainya 0.002.

- Nilai koefisien regresi variabel Working capital turnover (b₁) bernilai positif yaitu 0.031. Artinya setiap peningkatan Working capital turnover sebesar 1 satuan, maka akan meningkatkan rentabilitas ekonomi sebesar 0.031 satuan dengan asumsi variabel independen lain bernilai tetap.

- Nilai koefisien regresi variabel Total asset turnover (b₂) bernilai positif yaitu 0.48. Artinya setiap peningkatan Total asset turnover sebesar 1 satuan, maka akan meningkatkan rentabilitas ekonomi sebesar 0.048 satuan dengan asumsi variabel independen lain bernilai tetap.

Uji t

Digunakan untuk mengetahui apakah secara parsial Working capital turnover dan Total asset turnover berpengaruh secara signifikan atau tidak terhadap rentabilitas ekonomi. Pengujian menggunakan tingkat signifikansi 0.05 dan 2 sisi. Langkah-langkah pengujian sebagai berikut:

v Pengujian koefisien variabel Working capital turnover (b₁)

1. Merumuskan hipotesis

Ho :Working capital turnover secara parsial tidak berpengaruh terhadap rentabilitas ekonomi

Ha :Working capital turnover secara parsial berpengaruh terhadap rentabilitas ekonomi

2. Menentukan t hitung dan Nilai Signifikansi

Dari output di dapat t hitung sebesar 3.006 dan Signifikansi 0.011

3. Menentukan t tabel

T tabel dapat dilihat pada tabel statistik pada signifikansi 0.05 dibagi 2 = 0.025 dengan derajat kebebasan df = n-k-1 atau 15-2-1 = 12, hasil diperoleh untuk t tabel sebesar 2.179

4. Kriteria Pengujian

Jika -t tabel < t hitung < t tabel maka Ho diterima

Jika -t hitung < -t tabel atau t hitung > t tabel maka Ho ditolak.

5. Berdasar Signifikansi:

Jika Signifikansi > 0.05 maka Ho diterima.

Jika Signifikansi < 0.05 maka Ho ditolak.

6. Membuat kesimpulan

Nilai t hitung > t tabel (3.006 > 2.179) dan Signifikansi < 0.05 (0.011 < 0.05) maka Ho ditolak, jadi dapat disimpulkan bahwa Working capital turnover secara parsial berpengaruh terhadap rentabilitas ekonomi. Nilai t hitung positif artinya berpengaruh positif, yaitu jika Working capital turnover meningkat maka rentabilitas ekonomi juga akan meningkat.

v Pengujian koefisien variabel Total asset turnover (b₂)

1. Merumuskan hipotesis

Ho : Total asset turnover secara parsial tidak berpengaruh terhadap rentabilitas ekonomi.

Ha : Total asset turnover secara parsial berpengaruh terhadap rentabilitas ekonomi.

2. Menentukan t hitung dan nilai Signifikansi

Dari output di dapat t hitung sebesar 0.386 dan Signifikansi 0.706

3. Menentukan t tabel

T tabel dapat dilihat pada tabel statistik pada signifikansi 0.05 /2 = 0.025 dengan derajat kebebasan df = n-k-1 atau 15-2-1 = 12, hasil diperoleh untuk t tabel sebesar 2.179.

4. Kriteria Pengujian

Jika -t tabel < t hitung < t tabel maka Ho diterima.

Jika -t hitung < -t tabel atau t hitung > t tabel maka Ho ditolak.

5. Berdasar Signifikansi:

Jika Signifikansi > 0,05 maka Ho diterima.

Jika Signifikansi < 0,05 maka Ho ditolak.

6. Membuat kesimpulan

Nilai t hitung < t tabel (0.386 < 2.179) dan Signifikansi > 0.05 (0.706 > 0.05) maka Ho ditolak, jadi dapat disimpulkan bahwa Total asset turnover secara parsial tidak berpengaruh terhadap rentabilitas ekonomi.

Uji Asumsi Klasik Regresi

a. Uji Normalitas Residual

Uji normalitas residual digunakan untuk menguji apakah nilai residual yang dihasilkan terdistribusi secara normal atau tidak. Dari Grafik, dapat diketahui bahwa titik-titik menyebar sekitar garis dan mengikuti garis diagonal maka nilai residual tersebut normal.

b. Uji Multikolinearitas

Multikolinearitas artinya variabel independen memiliki hubungan linear yang sempurna atau mendekati sempurna. Model regresi yang baik seharusnya tidak terjadi korelasi sempurna. Cara untuk mengetahui ada atau tidaknya gejala multikoliniearitas antara lain dengan melihat nilai Variance Inflation Factor (VIF) dan Tolerance, apabila nilai VIF kurang dari 10 dan Tolerance lebih dari 0,1 maka dinyatakan tidak terjadi multikoliniearitas (Ghozali, 2011). Dari output dapat dilihat bahwa nilai Tolerance ke dua variabel lebih dari 0.100 dan VIF kurang dari 10, maka dapat disimpulkan tidak terjadi multikolinearitas antar variabel bebas.

c. Uji Autokorelasi

Autokorelasi merupakan korelasi antara anggota observasi yang disusun menurut waktu atau tempat. Model regresi yang baik seharusnya tidak terjadi autokorelasi.

d. Uji Heteroskedastisitas

Heterokedastisitas adalah varian residual yang tidak sama pada semua pengamatan di dalam model regresi. Regresi yang baik seharusnya tidak terjadi heteroskedastisitas. Dasar kriterianya dalam pengambilan keputusan yaitu:

- Jika ada pola tertentu, seperti titik-titik yang ada membentuk suatu pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka terjadi heteroskedastisitas.

- Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.

Dari output dapat diketahui bahwa titik-titik tidak membentuk pola yang jelas, dan titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, jadi dapat disimpulkan bahwa tidak terjadi heteroskedastisitas dalam model regresi.

Daftar Pustaka

Sarwono, Jonathan. Statistik Itu Mudah Panduan Lengkap Untuk Belajar Komputasi Statistik Menggunakan SPSS 16, Yogyakarta: Penerbit Andi, 2009

Ridwan, Metode & Teknik Menyusun Proposal Penelitian, Bandung: Alfabeta,2009

Priyatno, Dwi. (2008). Mandiri Belajar SPSS. Yogyakarta: MediaKom.

Dirnaeni, Desti.Analisis Regresi Berganda. hlm 27

Iqbal, Muhammad.Pengolahan Data dengan Regresi Linier Berganda (dengan SPSS). hlm 1

Janie, Dyah Nurmala Arum.2012.Statistik Deskriptif & Regresi Linier Berganda dengan SPSS. Semarang: Semarang University Press. hlm 11-18

Mona, Margaretha G., John S. Kekenusa, dan Jantje D. Prang.2015.Penggunaan Regresi Linier Berganda untuk Menganalisis Pendapatan Petani Kelapa (Studi Kasus: Petani Kelapa di Desa Beo, Kecamatan Beo, Kabupaten Talaud.JdC. 04 (02). hlm 197

Purnomo, Rochmat Aldy.2016.Analisis Statistik Ekonomi dan Bisnis Dengan SPSS. Ponorogo:CV Wade Group. hlm 161-172

[1] Supranto, 2004