nisa' nur laylia 18510141

Analisis Regresi Berganda dengan Menggunakan SPSS

Nama / NIM                       : Nisa’ Nur Laylia / 18510141

Mata Kuliah                       : Statistik

Dosen                                   : M. Nanang Choiruddin,SE., MM

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.

Contoh: data Ekspor Pakaian Jadi dari Indonesia ke Jepang. Data yang tersedia dalam tahunan, 1985 – 2000. Adapun variabel penelitiannya adalah Ekspor Pakaian ‡ SPSS versi 19 – 22. 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). Data dapat dibuat dalam file Excel.

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

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.

Gantikan : VAR00001 dengan EKS, VAR00002 dengan HRG, dan VAR00003 dengan KURS

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)      Normalitas. 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.

R Square	Adjusted R Square
.911	.898

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.

Koefisien regresi HRG bernilai positif artinya pada saat Harga Ekspor Pakaian Jadi ke Jepang (HRG) naik maka jumlah Ekspor Pakaian Jadi ke Jepang (EKS) juga akan mengalami kenaikan. Begitu pula pada saat harganya turun maka jumlah ekspornya juga turun.

 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.

Daftar Pustaka

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

Nazir, Moh. Metode Penelitian, Jakarta: Ghalia Indonesia 2009

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

Hartono, SPSS 16.0 Analisis Data Statistik Dan Penelitian, Yogyakarta: Pustaka Pelajar 2004

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

Amrin, Jurnal Techno Nusa Mandiri Vol. XIII, No. 1 Maret 2016

---

[1] Supranto, 2004