ANALISIS REGRESI LINIER BERGANDA MENGGUNAKAN SPSS

Analisis regresi pada dasarnya adalah studi mengenai ketergantungan variabel dependen (terikat) dengan satu atau lebih variabel independen (variabel penjelas/bebas), dengan tujuan untuk mengestimasi dan/atau memprediksi rata-rata populasi atau nilai rata-rata variabel dependen berdasarkan nilai variabel independen yang diketahui (Gujarti, 2003) dalam Ghozali (2007). Hasil dari analisis regresi adalah berupa koefisien untuk masing-masing variabel independen.

Ketepatan regresi sampel dalam menaksir nilai aktual dapat diukur dari Goodness of fitnya. Secara statistik ini dapat diukur dari nilai koefisien determinasi, nilai statistik F dan nilai statistik t. Perhitungan statistik disebut signifikan secara statistik apabila nilai uji statistiknya berada dalam daerah kritis (daerah dimana Ho ditolak) dan tidak signifikan apabila berada dalam daerah Ho diterima.

a)      Koefisien Determinasi (R²)

Keofisien determinasi pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi adalah antara nol dan satu. Nilai R² yang kecil berarti kemampuan variabel-variabel independen sangat terbatas.

Kelemahan koefisen determinasi adalah adanya bias terhadap sejumlah variabel independen yang dimasukkan dalam model. Oleh karena itu,  lebih baik menggunakan Adjusted R². Apabila adjusted R² bernilai negatif maka nilai adjusted R² dianggap nol.

b)     Uji Signifikansi Simultan (Uji Statistik F)

Uji statistik F pada dasarnya menunjukkan apakah semua variabel independen atau bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen atau terikat. Hipotesis nol (Ho) yang hendak diuji adalah apakah semua parameter dalam model sama dengan nol, atau :

Ho:b1= b2 =.........= bk = 0

Artinya apakah semua variabel independen bukan merupakan penjelas yang signifikan terhadap variabel dependen. Hipotesis alternatifnya adalah

HA : b1 ≠ b2 ≠.......≠ bk ≠ 0

Artinya semua variabel dependen secara simultan merupakan penjelas yang signifikan terhadap variabel dependen.

Kriteria pengambilan keputusan dalam uji statistik F adalah sebagai berikut :

Ø  Quick look : bila nilai F lebih besar daripada 4 maka Ho dapat ditolak pada derajat kepercayaan 5%.

Ø  Membandingkan nilai F hasil perhitungan dengan nilai F menurut tabel. Jika F hitung lebih besar daripada F tabel maka Ho ditolak dan HA diterima.

c)      Uji Signifikan Parameter Individual (Uji Statistik t)

Uji statistik t menunjukkan seberapa jauh pengaruh satu variabel penjelas secara individual dalam menerangkan variasi variabel dependen. Ho yang hendak diuji adalah apakah suatu parameter (bi) sama dengan nol, atau Ho :bi = 0. Hal ini berarti variabel independen bukan merupakan penjelas yang signifikan terhadap variabel dependen.

HA / hipotesis alternatifnya parameter suatu variabel tidak sama dengan nol, atau HA : bi ≠ 0. Hal ini berarti variabel tersebut merupakan variabel penjelas yang signifikan terhadap variabel dependen.

Kriteria uji statistik t adalah sebagai berikut :

Ø  Quick look : bila jumlah degree of freedom (df) adalah 20 atau lebih, dan derajat kepercayaan 5%, maka Ho yang menyatakan bi=0 dapat ditolak bila nilai t lebih besar dari 2 (dalam nilai absolut).

    Ø  Membandingkan nilai statistik t dengan titik kritis menurut tabel. Apabila nilai statistik t hasil perhitungan lebih tinggi dibandingkan nilai t tabel, maka HA / hipotesis alternatif dapat diterima yaitu variabel independen secara individual berpengaruh singnifikan terhadap variabel dependen. 
d) Langkah-langkah uji analisis regresi linier berganda
    1. Masukkan data analisis regresi, kemudian klik analyze-regresion-linier

     2. Masukkan y ke kolom dependen dan x1,x2 ke kolo, independen

      3. abaikan yang lain kemudian OK, output yang diperlukan adalah sebagai berikut :
          a. Koefisien Determinasi

Model Summary
Model	R	R Square	Adjusted R Square	Std. Error of the Estimate
1	.709a	.503	.483	2.93951
a. Predictors: (Constant), x2, x1

                Berdasarkan output diatas nilai dari Adjusted R Square adalah .483 atau 0.483 atau 48,3% artinya besarnya kemampuan variasi model x1 dan x2 dapat menjelaskan variabel y sebesar 48,3% sedangkan sisanya 51,7% dijelaskan oleh faktor lain yang tidak dijelaskan dalam analisis ini (penelitian ini).

         b. Uji statistik F (Simultan)

ANOVAb
Model		Sum of Squares	df	Mean Square	F	Sig.
1	Regression	428.681	2	214.340	24.806	.000a
	Residual	423.396	49	8.641
	Total	852.077	51
a. Predictors: (Constant), x2, x1
b. Dependent Variable: y  Berdasarkan output diatas nilai dari F 24.806 (lebih dari 4) dalam signifikansi 0.000 (kirang dari 0.05) maka dapat dikatakan x1 dan x2 berpengaruh secara simultan terhdap y                c. Uji Statistik t (parsial) Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 18.546 3.726 4.977 .000 x1 .369 .082 .492 4.492 .000 x2 .237 .074 .353 3.219 .002 a. Dependent Variable: y  Berdasarkan hasil diatas nilai t x1 4.492 dan x2 3.219 keduanya lebih dari 2 (dalam hal ini df=n-2 lebih dari 20) dengan signifikansi 0.000 dan 0.002 maka dapat disimpulkan niali x1 berpengaruh terhadap y sebesar 4.492 dan x2 3.219. Jadi fungsi yang terbentuk , adalah                                         Y= 18.546+0.369x1+0.237x2