akuan acara 2 new new

UNIVERSITAS JEMBERFAKULTAS PERTANIANJURUSAN SOSIAL EKONOMI PERTANIANLABORATORIUM EKONOMI PERTANIAN

TUGAS PRAKTIKUM

NAMA : FITRI MELINDA

NIM : 121510601042

SHIFT : VI

ACARA : SPSS REGRESI LINIER BERGANDA

TANGGAL PRAKTIKUM : 22 MARET 2014

TANGGAL PENYERAHAN : 29 MARET 2014

ASISTEN : 1. NILA WAHYU PERMANA

2. LORIZA GEVI ANGGASASI

3. APRIYANTO DWI LAKSONO

4. DEWI CHURVA K.S

5. RIZALDY GHAFFAR AL.R

I. DATA DAN PERMASALAHAN

I.1 Data

I.1.1 Uji Regresi Berganda Banyak Variabel Bebas

Pemerintah Kabupaten Dairi Provinsi Sumatera Utara akan mendata

tingkat pendapatan petani kopi daerah tersebut dengan berbagai faktor yang

mempengaruhinya. Faktor-faktor tersebut antara lain luas lahan yang dimiliki,

usia petani, pendidikan, serta lama pengalaman dalam bertani. Berikut adalah data

tingkat pendapatan petani dengan keempat faktor yang mempengaruhinya:

Petani Sample

Luas Lahan (Ha)

Umur Petani

(Tahun)Pendidikan

(Tahun)

Pengalaman Bertani (Tahun)

Pendapatan (ribu rp)

1 0.16 37 6 25 8002 0.26 56 9 42 1,3003 0.96 67 9 55 4,8004 0.76 63 12 45 3,8005 0.74 60 12 37 3,7006 0.76 56 9 41 3,8007 0.56 50 6 37 2,8008 0.64 56 7 44 3,3609 0.92 60 12 45 4,600

10 0.84 57 12 42 4,20011 0.68 55 6 41 3,57012 0.96 55 12 33 4,80013 0.8 62 6 50 4,00014 0.66 43 8 31 3,30015 0.82 47 12 33 4,10016 1.04 66 12 45 5,20017 1.08 60 12 45 5,13018 1.06 60 12 43 5,30019 1.06 62 12 44 5,30020 1.08 64 9 50 5,67021 0.2 50 12 30 1,02522 0.3 62 9 48 1,50023 0.42 65 6 53 2,20524 0.44 59 6 46 2,20025 0.22 50 8 36 1,10026 0.32 56 6 44 1,60027 0.22 50 12 30 1,100

28 0.16 42 9 27 80029 0.4 63 9 48 2,00030 0.34 55 6 41 1,615

I.2 Permasalahan

Seberapa besar atau jauh hubungan luas lahan yang dimiliki, usia petani,

pendidikan, serta lama pengalaman dalam bertani berpengaruh terhadap tingkat

pendapatan petani kopi di Kabupaten Dairi Provinsi Sumatera Utara?

II. FLOWCHART

III. OUTPUT

III.1 Uji Regresi Berganda Banyak Variabel Bebas

3.1.1 Metode ENTER

Descriptive Statistics

Mean Std. Deviation N

pendapatan 56.4358 202.12841 30

luas .1667 .37905 30

umur 56.2667 7.42286 30

pendidikan 9.2667 2.51798 30

pengalaman 41.0333 7.65859 30

Correlations

pendapatan luas umur pendidikan pengalaman

Pearson Correlation pendapatan 1.000 -.115 -.612 -.188 -.532

luas -.115 1.000 .376 .385 .259

umur -.612 .376 1.000 .181 .910

pendidikan -.188 .385 .181 1.000 -.140

pengalaman -.532 .259 .910 -.140 1.000

Sig. (1-tailed) pendapatan . .272 .000 .160 .001

luas.272 . .020 .018 .083

umur .000 .020 . .170 .000

pendidikan .160 .018 .170 . .230

pengalaman .001 .083 .000 .230 .

N pendapatan 30 30 30 30 30

luas 30 30 30 30 30

umur 30 30 30 30 30

pendidikan 30 30 30 30 30

pengalaman 30 30 30 30 30

Variables Entered/Removedb

Model Variables EnteredVariables Removed Method

1 pengalaman, pendidikan, luas, umura

. Enter

a. All requested variables entered.

b. Dependent Variable: pendapatan

Model Summaryb

Model R R Square Adjusted R SquareStd. Error of the

Estimate

1 .638a .407 .312 167.70687

a. Predictors: (Constant), pengalaman, pendidikan, luas, umur


ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 481681.044 4 120420.261 4.282 .009a

Residual 703139.849 25 28125.594

Total 1184820.893 29



Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t Sig.

Collinearity Statistics

B Std. Error Beta Tolerance VIF

1 (Constant) 1145.003 286.438 3.997 .000

luas 99.538 94.827 .187 1.050 .304 .751 1.332

umur -16.983 15.366 -.624 -1.105 .280 .075 13.414

pendidikan -12.190 19.768 -.152 -.617 .543 .391 2.555

pengalaman

-.892 14.825 -.034 -.060 .952 .075 13.291

a. Dependent Variable: pendapatan

Collinearity Diagnosticsa

Model Dimension Eigenvalue Condition Index

Variance Proportions

(Constant) luas umur pendidikan pengalaman

1 1 4.174 1.000 .00 .01 .00 .00 .00

2 .753 2.354 .00 .76 .00 .00 .00

3 .061 8.290 .00 .03 .00 .29 .01

4 .011 19.832 .77 .20 .00 .19 .04

5 .001 71.771 .23 .00 .99 .52 .95


Residuals Statisticsa

Minimum Maximum Mean Std. Deviation N

Predicted Value -1.5165E2 421.1805 56.4358 128.87859 30

Residual -2.86249E2 5.02089E2 .00000 155.71192 30

Std. Predicted Value -1.615 2.830 .000 1.000 30

Std. Residual -1.707 2.994 .000 .928 30


3.1.2 Metode BACKWARD



pendapatan 56.4358 202.12841 30

luas .1667 .37905 30

umur 56.2667 7.42286 30

pendidikan 9.2667 2.51798 30

pengalaman 41.0333 7.65859 30

Correlations

pendapatan luas umur pendidikan Pengalaman

Pearson Correlation

pendapatan 1.000 -.115 -.612 -.188 -.532

luas -.115 1.000 .376 .385 .259

umur -.612 .376 1.000 .181 .910

pendidikan -.188 .385 .181 1.000 -.140

pengalaman -.532 .259 .910 -.140 1.000

Sig. (1-tailed)

pendapatan . .272 .000 .160 .001

luas .272 . .020 .018 .083

umur .000 .020 . .170 .000

pendidikan .160 .018 .170 . .230

pengalaman .001 .083 .000 .230 .


luas 30 30 30 30 30

umur 30 30 30 30 30



Variables Entered/Removedb



. Enter

2

. pengalaman

Backward (criterion: Probability of F-to-remove >= ,100).

3

. pendidikan


4

. luas




Model Summarye


Estimate

1 .638a .407 .312 167.70687

2 .638b .406 .338 164.46202

3 .624c .390 .344 163.66795

4 .612d .374 .352 162.72926


b. Predictors: (Constant), pendidikan, luas, umur

c. Predictors: (Constant), luas, umur

d. Predictors: (Constant), umur

e. Dependent Variable: pendapatan

ANOVAe


1 Regression 481681.044 4 120420.261 4.282 .009a

Residual 703139.849 25 28125.594

Total 1184820.893 29

2 Regression 481579.205 3 160526.402 5.935 .003b

Residual 703241.687 26 27047.757

Total 1184820.893 29

3 Regression 461566.518 2 230783.259 8.615 .001c

Residual 723254.375 27 26787.199

Total 1184820.893 29

4 Regression 443358.174 1 443358.174 16.743 .000d

Residual 741462.718 28 26480.811

Total 1184820.893 29


b. Predictors: (Constant), pendidikan, luas, umur

c. Predictors: (Constant), luas, umur

d. Predictors: (Constant), umur

e. Dependent Variable: pendapatan

Coefficientsa

Model

Unstandardized CoefficientsStandardized Coefficients

t Sig.



1 (Constant) 1145.003 286.438 3.997 .000

luas 99.538 94.827 .187 1.050 .304 .751 1.332

umur -16.983 15.366 -.624 -1.105 .280 .075 13.414

pendidikan -12.190 19.768 -.152 -.617 .543 .391 2.555

pengalaman -.892 14.825 -.034 -.060 .952 .075 13.291

2 (Constant) 1150.083 268.420 4.285 .000

luas 99.130 92.754 .186 1.069 .295 .755 1.325

umur -17.867 4.444 -.656 -4.021 .000 .857 1.167

pendidikan -11.316 13.155 -.141 -.860 .398 .850 1.176

3 (Constant) 1058.837 245.380 4.315 .000

luas 71.336 86.524 .134 .824 .417 .859 1.164

umur -18.026 4.418 -.662 -4.080 .000 .859 1.164

4 (Constant) 993.692 230.977 4.302 .000

umur -16.657 4.071 -.612 -4.092 .000 1.000 1.000



Model Dimension EigenvalueCondition

Index


(Constant) luas umur pendidikan Pengalaman

1 1 4.174 1.000 .00 .01 .00 .00 .00

2 .753 2.354 .00 .76 .00 .00 .00

3 .061 8.290 .00 .03 .00 .29 .01

4 .011 19.832 .77 .20 .00 .19 .04

5 .001 71.771 .23 .00 .99 .52 .95

2 1 3.219 1.000 .00 .02 .00 .01

2 .734 2.095 .00 .76 .00 .00

3 .041 8.890 .03 .06 .07 .94

4 .007 21.487 .96 .16 .92 .05

3 1 2.279 1.000 .00 .06 .00

2 .714 1.787 .00 .82 .00

3 .007 17.694 1.00 .12 1.00

4 1 1.992 1.000 .00 .00

2 .008 15.484 1.00 1.00


Excluded Variablesd

Model Beta In t Sig.Partial

Correlation


Tolerance VIF Minimum Tolerance

2 pengalaman -.034a -.060 .952 -.012 .075 13.291 .075

3 pengalaman .221b .586 .563 .114 .163 6.121 .150

pendidikan -.141b -.860 .398 -.166 .850 1.176 .755

4 pengalaman .146c .397 .694 .076 .171 5.836 .171

pendidikan -.080c -.519 .608 -.099 .967 1.034 .967

luas .134c .824 .417 .157 .859 1.164 .859

a. Predictors in the Model: (Constant), pendidikan, luas, umur

b. Predictors in the Model: (Constant), luas, umur

c. Predictors in the Model: (Constant), umur

d. Dependent Variable: pendapatan




Residual -2.74124E2 5.05919E2 .00000 159.89897 30


Std. Residual -1.685 3.109 .000 .983 30


3.1.3 Metode FORWARD



pendapatan 56.4358 202.12841 30

luas .1667 .37905 30

umur 56.2667 7.42286 30

pendidikan 9.2667 2.51798 30

pengalaman 41.0333 7.65859 30

Correlations


Pearson Correlation

pendapatan 1.000 -.115 -.612 -.188 -.532

luas -.115 1.000 .376 .385 .259

umur -.612 .376 1.000 .181 .910

pendidikan -.188 .385 .181 1.000 -.140

pengalaman -.532 .259 .910 -.140 1.000


luas .272 . .020 .018 .083

umur .000 .020 . .170 .000

pendidikan .160 .018 .170 . .230

pengalaman .001 .083 .000 .230 .


luas 30 30 30 30 30

umur 30 30 30 30 30



Variables Entered/Removeda


1

umur .

Forward (Criterion: Probability-of-F-to-enter <= ,050)


Model Summaryb


Estimate

1 .612a .374 .352 162.72926

a. Predictors: (Constant), umur


ANOVAb


1 Regression 443358.174 1 443358.174 16.743 .000a

Residual 741462.718 28 26480.811

Total 1184820.893 29



Coefficientsa

Model



t Sig.



1 (Constant) 993.692 230.977 4.302 .000

umur -16.657 4.071 -.612 -4.092 .000 1.000 1.000


Excluded Variablesb

Model Beta In t Sig.Partial

Correlation



1 luas .134a .824 .417 .157 .859 1.164 .859

pendidikan -.080a -.519 .608 -.099 .967 1.034 .967

pengalaman .146a .397 .694 .076 .171 5.836 .171

a. Predictors in the Model: (Constant), umur



ModelDimension Eigenvalue Condition Index


(Constant) umur

1 1 1.992 1.000 .00 .00

2 .008 15.484 1.00 1.00





Residual -2.74124E2 5.05919E2 .00000 159.89897 30


Std. Residual -1.685 3.109 .000 .983 30


3.1.4 Metode STEPWIS



pendapatan 56.4358 202.12841 30

luas .1667 .37905 30

umur 56.2667 7.42286 30

pendidikan 9.2667 2.51798 30

pengalaman 41.0333 7.65859 30

Correlations


Pearson Correlation

pendapatan 1.000 -.115 -.612 -.188 -.532

luas -.115 1.000 .376 .385 .259

umur -.612 .376 1.000 .181 .910

pendidikan -.188 .385 .181 1.000 -.140

pengalaman -.532 .259 .910 -.140 1.000


luas .272 . .020 .018 .083

umur .000 .020 . .170 .000

pendidikan .160 .018 .170 . .230

pengalaman .001 .083 .000 .230 .


luas 30 30 30 30 30

umur 30 30 30 30 30



Variables Entered/Removeda


1

umur .

Stepwise (Criteria: Probability-of-F-to-enter <= ,050, Probability-of-F-to-remove >= ,100).


Model Summaryb


Estimate

1 .612a .374 .352 162.72926



ANOVAb


1 Regression 443358.174 1 443358.174 16.743 .000a

Residual 741462.718 28 26480.811

Total 1184820.893 29



Coefficientsa

Model



t Sig.



1 (Constant) 993.692 230.977 4.302 .000

umur -16.657 4.071 -.612 -4.092 .000 1.000 1.000


Excluded Variablesb

Model Beta In t Sig.Partial Correlation


Tolerance VIFMinimum Tolerance

1 luas .134a .824 .417 .157 .859 1.164 .859

pendidikan -.080a -.519 .608 -.099 .967 1.034 .967

pengalaman .146a .397 .694 .076 .171 5.836 .171

a. Predictors in the Model: (Constant), umur



ModelDimension Eigenvalue Condition Index


(Constant) umur

1 1 1.992 1.000 .00 .00

2 .008 15.484 1.00 1.00





Residual -2.74124E2 5.05919E2 .00000 159.89897 30


Std. Residual -1.685 3.109 .000 .983 30


3.1.5 Metode REMOVE



pendapatan 56.4358 202.12841 30

luas .1667 .37905 30

umur 56.2667 7.42286 30

pendidikan 9.2667 2.51798 30

pengalaman 41.0333 7.65859 30

Correlations

pendapatan luas umur pendidikan Pengalaman

Pearson Correlation

pendapatan 1.000 -.115 -.612 -.188 -.532

luas -.115 1.000 .376 .385 .259

umur -.612 .376 1.000 .181 .910

pendidikan -.188 .385 .181 1.000 -.140

pengalaman -.532 .259 .910 -.140 1.000

Sig. (1-tailed)

pendapatan . .272 .000 .160 .001

luas .272 . .020 .018 .083

umur .000 .020 . .170 .000

pendidikan .160 .018 .170 . .230

pengalaman .001 .083 .000 .230 .


luas 30 30 30 30 30

umur 30 30 30 30 30



Variables Entered/Removedc



. Enter

2.a

umur, luas, pengalaman, pendidikanb

Remove


b. All requested variables removed.

c. Dependent Variable: pendapatan

Model Summary


Estimate

1 .638a .407 .312 167.70687

2 .000b .000 .000 202.12841


b. Predictor: (constant)

ANOVAc


1 Regression 481681.044 4 120420.261 4.282 .009a

Residual 703139.849 25 28125.594

Total 1184820.893 29

2 Regression .000 0 .000 . .b

Residual 1184820.893 29 40855.893

Total 1184820.893 29


b. Predictor: (constant)

c. Dependent Variable: pendapatan

Coefficientsa

Model



t Sig.



1 (Constant) 1145.003 286.438 3.997 .000

luas 99.538 94.827 .187 1.050 .304 .751 1.332

umur -16.983 15.366 -.624 -1.105 .280 .075 13.414

pendidikan -12.190 19.768 -.152 -.617 .543 .391 2.555

pengalaman -.892 14.825 -.034 -.060 .952 .075 13.291

2 (Constant) 56.436 36.903 1.529 .137



Model Dimension Eigenvalue Condition Index


(Constant) luas umur pendidikan pengalaman

1 1 4.174 1.000 .00 .01 .00 .00 .00

2 .753 2.354 .00 .76 .00 .00 .00

3 .061 8.290 .00 .03 .00 .29 .01

4 .011 19.832 .77 .20 .00 .19 .04

5 .001 71.771 .23 .00 .99 .52 .95

2 1 1.000 1.000 1.00


Excluded Variablesb

Model Beta In t Sig. Partial Correlation



2 luas -.115a -.613 .545 -.115 1.000 1.000 1.000

umur -.612a -4.092 .000 -.612 1.000 1.000 1.000

pendidikan -.188a -1.012 .320 -.188 1.000 1.000 1.000

pengalaman -.532a -3.324 .002 -.532 1.000 1.000 1.000

a. Predictor: (constant)


IV. INTERPRETASI

IV.1 Uji Regresi Berganda Banyak Variabel Bebas

4.1.1 Metode ENTER

Analisis :

A. Output bagian Pertama dan Kedua

Rata-rata Pendapatan (n=30) adalah Rp. 56,4358 juta dengan standar deviasi

Rp. 202,128 juta.

Luas lahan rata-rata (n=30) adalah 0,1667 Ha dengan standar deviasi 0,37905

Ha.

Rata-rata umur petani (n=30) adalah 9,2 tahun dengan standar deviasi 2,51

tahun.

Besar hubungan antarva variable Pendapatan dengan Luas lahan yang

dihitung dengan koefisien korelasi adalah -0,115, sedangkan variabel

Pendapatan dengan Umur petani adalah -0,612. Besar hubungan antar

variable Pendapatan dengan Tingkat Pendidikan petani yang dihitung

dengan koefisien korelasi adalah -0,188, sedangkan variabel Pendapatan

dengan Pengalaman petani adalah -0,532. Secara teoritis, karena korelasi

antara Pendapatan dan Luas lahan lebih besar, maka variabel Luas lahan lebih

berpengaruh terhadap Pendapatan dibanding umur, tingkat pendidikan, dan

pengalaman petani.

Terjadi korelasi yang cukup kuat antara variabel Luas lahan dengan umur

petani, yaitu 0,376. Hal ini menandakan adanya multikolinieritas, atau

korelasi di antara variabel bebas.

Tingkat signifikansi koefisien korelasi variabel Pendapatan dengan luas

lahan sebesar 0,272. Oleh karena probabilitas jauh diatas 0,05, maka korelasi

di antara variabel Pendapatan dengan umur tidak nyata. Tingkat signifikansi

koefisien korelasi variabel Pendapatan dengan umur sebesar 0,000. Oleh

karena probabilitas jauh dibawah 0,05, maka korelasi di antara variabel

Pendapatan dengan umur petani sangat nyata. Tingkat signifikansi koefisien

korelasi variabel Pendapatan dengan pendidikan sebesar 0,016. Oleh karena

probabilitas jauh dibawah 0,05, maka korelasi di antara variabel Pendapatan

dengan Pendidikan sangat nyata. Tingkat signifikansi koefisien korelasi

variabel Pendapatan dengan pengalaman sebesar 0,001. Oleh karena

probabilitas dibawah 0,05, maka korelasi di antara variabel Pendapatan

dengan Pengalaman sangat nyata.

B. Output bagian ketiga dan keempat

Tabel VARIABLES ENTERED menunjukkan bahwa tidak ada variabel

yang dikeluarkan (removed), atau dengan kata lain kedua variabel bebas

dimasukkan dalam perhitungan regresi.

Angka R square adalah 0,407. Hal ini berarti 40,7 % Pendapatan petani

dapat dijelaskan dengan variabel luas lahan, umur petani, pendidikn dan

pengalaman petani. Sedangkan sisanya 59,3% dijelaskan oleh sebab-sebab

yang lain.

Standar Error of Estimate adalah 167,70 atau Rp. 16,77 juta (satuan

yang dipakai adalah variabel dependen, atau dalam hal ini adalah

Pendapatan Petani). Perhatikan pada analisis sebelumnya, bahwa standar

deviasi Luas lahan adalah Rp. 0,379 juta, yang lebih kecil dari Standard error

of estimate yang sebesar Rp. 16,77 juta. Oleh karena lebih besar dari

standar deviasi Luas lahan, maka model regresi tidak lebih bagus dalam

bertindak sebagai prediktor Luas lahan daripada rata-rata Luas lahan itu

sendiri.

C. Output bagian kelima dan keenam

Dari uji ANOVA atau F test, dipakai F hitung adalah 4,282 dengan

tingkat signifikansi 0,009. Oleh karena probabilitas (0,009) jauh lebih kecil

dari 0,05, maka model regresi dapat dipakai untuk memprediksi

Pendapatan Petani, atau dapat dikatakan Luas lahan, umur, pendidikan, dan

pengalaman petani berpengaruh terhadap Pendapatan.

Tabel selanjutnya menggambarkan persamaan regresi :

Y = 1145,003 + 99,538 X1 – 16,983 X2 -12,190 X3 -0,892 X4

Dimana :

Y = Pendapatan X3 = Pendidikan

X1 = Luas Lahan X4 = Pengalaman

X2 = Umur

Konstanta sebesar 1145,003 menyatakan bahwa jika tidak ada lahan,

umur, tingkat pendidikan dan pengalaman maka Pendapatan adalah –Rp

1145,003 juta.

Koefisien regresi X1 sebesar 99,538 menyatakan bahwa setiap penambahan

(karena tanda +) sebesar 1 Ha, luas lahan akan meningkatkan Pendapatan

sebesar Rp. 99,538 juta

Koefisien regresi X2 sebesar -16,983 menyatakan bahwa setiap penambahan

(karena tanda -) 1 tahun, umur petani akan meningkatkan Pendapatan sebesar

-Rp. 16,983 juta

Koefisien regresi X3 sebesar -12,190 menyatakan bahwa setiap peurunan

(karena tanda -) 1 tahun, tingkat pendidikan akan menurunkan Pendapatan

sebesar -Rp. 12,190 juta

Koefisien regresi X4 sebesar -0,892 menyatakan bahwa setiap peurunan

(karena tanda -) 1 tahun, tingkat pendidikan akan menurunkan Pendapatan

sebesar -Rp. 0,982

Uji t untuk menguji signifikansi konstanta dan variabel dependen

(pendapatan). Disini akan diberi contoh uji koefisien regresi dari

variabel promosi.

Hipotesis:

H0 = Koefisien regresi tidak signifikan

H1 = Koefisien regresi signifikan

Pengambilan Keputusan

Jika probabilitas > 0,05, maka H0 diterima.

Jika probabilitas < 0,05, maka H1 ditolak.

Keputusan :

Variabel Luas lahan: Terlihat bahwa pada kolom sig/significance

adalah 0,304, atau probabilitas jauh diatas 0,05, maka H0 diterima, atau

koefisien regresi tidak signifikan, atau luas lahan tidak berpengaruh

secara signifikan terhadap Pendapatan.

Variabel Umur: Terlihat bahwa pada kolom sig/significance adalah

0,280, atau probabilitas diatas 0,05, maka H0 diterima, atau koefisien

regresi tidak signifikan, atau umur petani tidak berpengaruh secara

signifikan terhadap Pendapatan.

Variabel Tingkat pendidikan: Terlihat bahwa pada kolom

sig/significance adalah 0,543, atau probabilitas diatas 0,05, maka H0

diterima, atau koefisien regresi tidak signifikan, atau umur petani tidak

berpengaruh secara signifikan terhadap Pendapatan.

Variabel Pengalaman bertani: Terlihat bahwa pada kolom

sig/significance adalah 0,952, atau probabilitas diatas 0,05, maka H0

diterima, atau koefisien regresi tidak signifikan, atau pegalaman bertani

tidak berpengaruh secara signifikan terhadap Pendapatan.

4.1.2 Metode BACKWARD

A. Output bagian pertama dan kedua

1. Descriptive

o Rata-rata pendapatan (n=30), adalah Rp 56,4358 juta dengan standar

deveiasi Rp 202,128

o Rata-rata luas lahan adalah 0,1667 Ha dengan standar deviasi 0,37905 Ha

o Rata-rata umur adalah 56,2667 tahun dengan standar deviasi 7,42286

tahun.

o Rata-rata pendidikan adalah 9,2667 tahun dengan standar deviasi 2,51798

tahun.

2. Correlation

o Besar hubungan antara variabel pendapatan dengan variabel bebPas,

dengan diurutkan dari terbesar ke terkecil :

Luas lahan = 0,115 (tanda ‘-‘ menunjukkan arah hubungan berlawanan).

Umur = 0,612 (tanda ‘-‘ menunjukkan arah hubungan berlawanan).

Pendidikan = 0,188 (tanda ‘-‘ menunjukkan arah hubungan berlawanan).

Pengalaman = 0,532 (tanda ‘-‘ menunjukkan arah hubungan berlawanan).

o Hal ini menunjukkan keempat variabel bebas mempunyai korelasi yang

lemah (dibawah 0,5).


1. Adjusted R Square

Pada model 1 terlihat Adj. R Square adalah 0,407. Pada model 2, dengan

mengeluarkan variabel pengalaman, maka Adj R Square menjadi 0,406 atau

terjadi penurunan. Demikian seterusnya akan terjadi penurunan pada model final

ke 4.

2. Sandard Error of Estimate

Terjadi penurunan pada Standard Error of Estimate darai 167,70 pada model

1, menjadi 162,729 pada model ke 4. Maka model regresi lebih bagus bertindak

sebagai prediktor Pendapatan daripada rata-rata Pendapatan itu sendiri.


Dari uji ANOVA atau F test, diperoleh F hitung untuk model 4 atau model

yang dipakai adalah 16,743 dengan tingkat signifikansi 0,000. Oleh karena

probabilitas jauh lebih kecil dari 0,05, maka model regresi dapat dipakai untuk

memprediksi Pendapatan.

1. Collinearity Statistic

Pada model 2 untuk variabel pengalaman, diperoleh besar tolerance adalah

0,075. Hal ini berarti R2 adalah 1-0.750 atau 0,250. Hal ini berarti hanya 25%

variabilitas Pengalaman dapat dijelaskan oleh prediktor (variabel bebas) yang lain.

VIF = 1/TOLERANCE

Misal, pada model 2 : VIF = 1/0,750 = 1,333. Jika nilai VIF lebih besar dari

5, maka variabel tersebut mempunyai persoalan multikolinearitas dengan variabel

bebas yang lainnya. Jadi variabel Pengalaman tidak mempunyai persoalan

multikolinearitas dengan variabel bebas lainnya.

2. Menggambarkan persamaan Regresi

Pada model 3, pada kolom Unstandardized Coefficient, didapat persamaan:

Y=1058,837 + 71,336X1 -18,026X2

Dimana :

Y=pendapatan

X1= luas

X2 = umur

o Konstanta sebesar 1058,837 menyatakan bahwa jika tidak ada luas lahan

dan tingkat umur yang ditentukan oleh pemerintah, maka Pendapatan adalah

Rp 1.058,837 juta.

o Koefisien regresi X1 sebesar 71,336 menyatakan bahwa setiap penambahan

(karena tanda +) Rp 1,- luas lahan akan meningkatkan Pendapatan sebesar

Rp 71,336 juta.


(karena tanda -) 1 tahun tingkat umur yang ditentukan akan meningkatkan

pendapatan sebesar -18,026.

Pengambilan keputusan

Jika probabilitas > 0,05 maka H0 diterima

Jika probabilitas < 0,05 maka H0 ditolak

Keputusan

Terlihat bahwa pada kolom Sig adalah 0,0000 atau probabilitas jauh

dibawah 0,05 maka H0 ditolak, atau koefisien regresi signifikansi, atau umur

benar-benar berpengaruh secara signifikan terhadap pendapatan.

D. Output bagian ketujuh

Pada model 1, terlihat nilai variabel bebas 3 dan 4 mempunyai nilai Eigen

yang mendekati 0, hal ini berarti ada dugaan terjadi problem multikolinearitas

yaitu korelasi antara variabel 3 dan 4.

E. Output bagian kedelapan

Pada model 1 dacari variabel bebas dengan t hitung terkecil, yang didapat

variabel Pengalaman, maka variabel Pengalaman dikeluarkan (exclude).

4.1.3 Metode FORWARD

A. Output bagian pertama

1. Descriptive

o Rata-rata pendapatan (n=30), adalah Rp 56,4358 juta dengan standar deveiasi

Rp 202,128


o Rata-rata umur adalah 56,2667 tahun dengan standar deviasi 7,42286 tahun.


tahun.

2. Correlation

o Besar hubungan antara variabel pendapatan dengan variabel bebas, dengan

diurutkan dari terbesar ke terkecil :









Adjusted pada model 1 adalah sebesar 0,352.

2. Standard Error of Estimate

Standard Error of Estimate adalah sebesar 162,729.


1. Menggambarkan persamaan regresi

Y= 993,692 – 16,657X1

Y = Pendapatan

X1 = Umur

o Konstanta sebesar 993,692 menyatakan bahwa jika tidak ada tingkat umur

yang ditentukan pemerintah, maka Pendapatan adalah Rp 993,692 juta.

o Koefisien regresi X1 sebesar 16,657 menyatakan bahwa setipa penambahan

(karena tanda -) 1 tahun Umur akan meningkatkan Pendapatan sebesar

16,657 tahun.

Berdasarkan probabilitas



Keputusan

Terlihat bahwa kolom Sig adalah 0,0000 atau probabilitas di bawah 0,05,

maka H0 ditolak atau koefisien regresi signifikan.

D. Output ketujuh

Pada model 1 terlihat nilai variabel bebas 2 mempunyai nilai Eigen yang

mendekati 0. Hal ini berarti ada dugaan terjadi problem multikolinearitas.

E. Output bagian delapan

Variabel bebas yang tidak layak dimasukkan dalam model regresi adalah

variabel Umur.

4.1.4 Metode STEPWISE

A. Output bagian pertama

1. Descriptive

o Rata-rata pendapatan (n=30), adalah Rp 56,4358 juta dengan standar deveiasi

Rp 202,128


o Rata-rata umur adalah 56,2667 tahun dengan standar deviasi 7,42286 tahun.


tahun.

2. Correlation











Adjusted pada model 1 adalah sebesar 0,352.

2. Standard Error of Estimate

Standard Error of Estimate adalah sebesar 162,729.


Menggambarkan persamaan regresi

Y= 993,692 – 16,657X1

Y = Pendapatan

X1 = Umur

o Konstanta sebesar 993,692 menyatakan bahwa jika tidak ada tingkat umur

yang ditentukan pemerintah, maka Pendapatan adalah Rp 993,692 juta.

o Koefisien regresi X1 sebesar 16,657 menyatakan bahwa setipa penambahan

(karena tanda -) 1 tahun Umur akan meningkatkan Pendapatan sebesar

16,657 tahun.

Berdasarkan probabilitas



Keputusan

Terlihat bahwa kolom Sig adalah 0,0000 atau probabilitas di bawah 0,05,

maka H0 ditolak atau koefisien regresi signifikan.

D. Output ketujuh

Pada model 1 terlihat nilai variabel bebas 2 mempunyai nilai Eigen yang

mendekati 0. Hal ini berarti ada dugaan terjadi problem multikolinearitas.

E. Output bagian delapan

Variabel bebas yang tidak layak dimasukkan dalam model regresi adalah

variabel Umur.

4.1.5 Metode REMOVE

A. Output bagian pertama dan kedua

1. Descriptive

o Rata-rata pendapatan (n=30), adalah Rp 56,4358 juta dengan standar

deveiasi Rp 202,128


o Rata-rata umur adalah 56,2667 tahun dengan standar deviasi 7,42286

tahun.


tahun.

2. Correlation











Pada model 1 terlihat Adj. R Square adalah 0,312. Pada model 2, dengan

mengeluarkan variabel pengalaman, maka Adj R Square menjadi 0,312 atau

terjadi penurunan. Demikian seterusnya akan terjadi penurunan pada model final

ke 4.

2. Sandard Error of Estimate

Terjadi kenaikan pada Standard Error of Estimate dari 167,70 pada model 1,

menjadi 202,128 pada model ke 2. Maka model regresi tidak lebih bagus

bertindak sebagai prediktor Pendapatan daripada rata-rata Pendapatan itu sendiri.

F. Output bagian kelima dan keenam

Dari uji ANOVA atau F test, diperoleh F hitung untuk model 1 atau model

yang dipakai adalah 4,282 dengan tingkat signifikansi 0,009. Oleh karena

probabilitas jauh lebih kecil dari 0,05, maka model regresi dapat dipakai untuk

memprediksi Pendapatan.

3. Collinearity Statistic

Pada model 2 untuk variabel umur, diperoleh besar tolerance adalah 0,075.

Hal ini berarti R2 adalah 1-0.750 atau 0,250. Hal ini berarti hanya 25% variabilitas

Umur dapat dijelaskan oleh prediktor (variabel bebas) yang lain.

VIF = 1/TOLERANCE

Misal, pada model 2 : VIF = 1/0,750 = 1,333. Jika nilai VIF lebih besar dari

5, maka variabel tersebut mempunyai persoalan multikolinearitas dengan variabel

bebas yang lainnya. Jadi variabel Pengalaman tidak mempunyai persoalan

multikolinearitas dengan variabel bebas lainnya.

4. Menggambarkan persamaan Regresi

Pada model 1, pada kolom Unstandardized Coefficient, didapat persamaan:

Y=1145,003 + 99,538X1 -16,983X2-12,190 X3-0,892

Dimana :

Y=pendapatan

X1= luas X3 = pendidikan

X2 = umur X4 = pengalaman

o Konstanta sebesar 1145,003 menyatakan bahwa jika tidak ada luas lahan

dan tingkat umur yang ditentukan oleh pemerintah, maka Pendapatan adalah

Rp 1.145,003 juta.


(karena tanda +) Rp 1,- luas lahan akan meningkatkan Pendapatan sebesar

Rp 99,538 juta.


(karena tanda -) 1 tahun tingkat umur yang ditentukan akan meningkatkan

pendapatan sebesar 16,983.

Pengambilan keputusan



Keputusan

Terlihat bahwa pada kolom Sig adalah 0,0000 atau probabilitas jauh

dibawah 0,05 maka H0 ditolak, atau koefisien regresi signifikansi, atau umur

benar-benar berpengaruh secara signifikan terhadap pendapatan.

G. Output bagian ketujuh

Pada model 1, terlihat nilai variabel bebas 4 dan 5 mempunyai nilai Eigen

yang mendekati 0, hal ini berarti ada dugaan terjadi problem multikolinearitas

yaitu korelasi antara variabel 4 dan 5.

H. Output bagian kedelapan

Pada model 2 dicari variabel bebas dengan t hitung terkecil, terlihat tidak

ada variabel yang dikeluarkan.

akuan acara 2 new new

Documents