uji regresi berganda banyak sekali dipakai dalam penelitian

7/30/2019 Uji Regresi Berganda Banyak Sekali Dipakai Dalam Penelitian

1/10

Uji regresi berganda banyak sekali dipakai dalam penelitian. Pemakaian baik untuk keperluan skripsi

ataupun penelitian sehari-hari. Kelebihan uji regresi adalah kemampuannya melakukan prediksi. Bagi

kalangan guru sekolah atau dosen, uji regresi bisa dipakai untuk memprediksi perilaku siswa, baik dalam hal

nilai atau perilaku-perilaku lainnya.

Regresi Berganda Simultan atau Standar adalah kembangan lebih lanjut dari Penelitian Korelasional. Lewat Uji Regresi hendak dilihat

bagaimana suatu variabel mempengaruhi variabel lain. Regresi Berganda Simultan atau Standar juga kerap disebut Standard Multiple

Regression atau Simultaneous Multiple Regression).

Dalam uji regresi berganda simultan, seluruh variabel prediktor (bebas) dimasukkan ke dalam perhitungan regresi secara serentak. Jadi,

peneliti bisa menciptakan persamaan regresi guna memprediksi variabel terikat dengan memasukkan, secara serentak, serangkaian

variabel bebas. Persamaan regresi kemudian menghasilkan konstanta dan koefisien regresi bagi masing-masing variabel bebas.

Selain Regresi Berganda Simultan atau Standar, ada pula Regresi Berganda Stepwise dan Regresi Berganda Hirarki. Tulisan ini hanya

hendak mendalami Regresi Berganda Simultan atau Standar saja.

Regresi Berganda dengan SPSS

Regresi Berganda sangat mudah dilakukan dengan SPSS. Julie Pallant menginstruksikan dilakukannya langkah-langkah berikut ini :

1. Klik Analyze --> Regression --> Linear.2. Klik variabel terikat --> Pindahkan ke kotak Dependent.3. Klik variabel bebas --> Pindahkan ke kotak Independent(s).4. Pada Method, pastikan dipilih Enter (untuk Regresi Berganda Standar).5. Klik tombol Statistics, lalu lakukan :6. Ceklis Estimates, Model fit, Descriptives, dan Collinearity diagnostics.7. Pada bagian Residual, ceklis Casewise diagnostics dan Outliers outside 3 standard deviations.8. Klik Continue.9. Klik tombol Options. Pada bagian Missing Values ceklis Exclude cases pairwise.10.

Klik tombol Plots, lakukan :

11. Klik *ZRESID dan tombol panah untuk memindahkannya ke kotak y-axis.12. Klik *ZPRED dan tombol panah untuk memindahkannya ke kotak x-axis.13. Klik Next14. Klik *SRESID dan tombol panah untuk memindahkannya ke kotak y-axis (untuk melihat homoskedastisitas)15. Klik *ZPRED dan tombol panah untuk memindahkannya ke kotak x-axis (untuk melihat homoskedastisitas)16. Pada bagian Standardized Residual Plots, ceklis pilihan Normal probability plot.17. Klik Continue.18. Klik tombol Save.19. Pada bagian Predicted Values, ceklis Unstandardized, Standardized, Adjusted20. Pada bagian Residuals, ceklis Standardized, Deleted, dan Studentized deleted.21. Pada bagian Distances, ceklis Mahalanobis, Cooks, dan Leverage values. 22. Pada bagian Influence Statistics, ceklis Standardized dfBeta(s) dan Standardized DiFit23. Klik Continue.24. Klik OK.

Asumsi Uji Regresi Berganda (Multiple Regression)

Menurut Julie Pallant dan Andy Field, Uji Regresi Berganda punya sejumlah asumsi yang tidak boleh dilanggar. Asumsi-asumsi Uji

Regresi Berganda adalah:


2/10

1. Ukuran Sampel

Masalah berkenaan ukuran sampel di sini adalah generabilitas. Dengan sampel kecil anda tidak bisa melakukan generalisasi (tidak bisa

diulang) dengan sampel lainnya. Berbeda penulis berbeda berapa sampel yang seharusnya dalam uji Regresi Berganda. Stevens (1996,

p.72) merekomendasikan bahwa untuk penelitian ilmu sosial, sekitar 15 sampel per prediktor (variabel bebas) dibutuhkan untuk mengisi

persamaan uji regresi. Tabachnick and Fidell (1996, p.132) memberi rumus guna menghitung sampel yang dibutuhkan uji Regresi,

berkaitan dengan jumlah variabel bebas yang digunakan:

n > 50 + 8m

Dimana :

n = Jumlah Sampel

m = Jumlah Variabel Bebas

Jika peneliti menggunakan 5 variabel bebas, maka jumlah sampel yang dibutuhkan adalah 90 orang, dalam mana 50 ditambah ( 5 x 8) =

50 + 40 = 90.

2. Outlier

Regresi Berganda sangat sensitif terhadap Outlier (skor terlalu tinggi atau terlalu rendah). Pengecekan terhadap skor-skor ekstrim

seharusnya dilakukan sebelum melakukan Regresi Berganda. Pengecekan ini dilakukan baik terhadap variabel bebas maupun terikat.

Outlier bisa dihapus dari data atau diberikan skor untuk variabel tersebut yang tinggi, tetapi tidak terlampau beda dengan kelompok skor

lainnya. Prosedur tambahan guna mendeteksi outlier juga terdapat pada program SPSS file mah_1. Outlier pada variabel terikat dapat

diidentifikasi dari Standardised Residual plot yang dapat disetting. Tabachnick and Fidell (1996, p. 139) menentukan outlier adalah nilai-

nilai Standardised Residual di atas 3,3 (atau < - 3,3).

Outlier juga bisa dicek menggunakan jarak Mahalanobis yang tidak diproduksi oleh program Regresi Berganda SPSS ini. Ia tidak

terdapat dalam output SPSS. Untuk mengidentifikasi sampel mana yang merupakan Outlier, anda perlu menentukan nilai kritis Chi

Square, dengan menggunakan jumlah variabel bebas yang digunakan dalam peneli tian sebagai degree of freedom-nya atau derajat

kebebasan. Pallant menggunakan Alpha 0,001 agar lebih meyakinkan, yang rinciannya sebagai berikut:

Untuk menggunakan tabel kritis Chi Square, lakukan langkah berikut:

1. Tentukan variabel bebas yang digunakan dalam analisis;2. Temukan nilai di atas pada salah satu kolom berbayang; dan3. Baca melintasi kolom untuk menemukan nilai kritis yang dikehendaki.

3. Normalitas Residu
http://1.bp.blogspot.com/-AgC9_Vg7FN0/T53oFr3OOOI/AAAAAAAABBU/X28rDhJjVx4/s1600/outlier_pallant.JPG


3/10

Normalitas adalah residu yang seharusnya terdistribusi normal seputar skor-skor variabel terikat. Residu adalah sisa atau perbedaan hasil

antara nilai data pengamatan variabel terikat terhadap nilai variabel terikat hasil prediksi. Untuk melihat apakah residu normal atau tidak,

dapat dilakukan dengan cara berikut:

1. Melihat grafik Normal P-P Plot, dan2. Uji Kolmogorov-Smirnov

Pada grafik Normal P-P Plot, residu yang normal adalah data memencar mengikuti fungsi distribusi normal yaitu menyebar seiring garis

z diagonal. Residu normal dari uji Kolmogorov-Smirnov adalah diperolehnya nilai p > 0,05.

Linieritas adalah residual yang seharusnya punya hubungan dalam bentuk straight-line dengan skor variabel terikat yang diprediksi.

Homoskedastisitas adalah varians residual seputar skor-skor variabel terikat yang diprediksi seharusnya sama bagi skor-skor yang

diprediksi secara keseluruhan.

4. Multikolinieritas

Uji Regresi mengasumsikan variabel-variabel bebas tidak memiliki hubungan linier satu sama lain. Sebab, jika terjadi hubungan linier

antarvariabel bebas akan membuat prediksi atas variabel terikat menjadi bias karena terjadi masalah hubungan di antara para variabel

bebasnya.

Dalam Regresi Berganda dengan SPSS, masalah Multikolinieritas ini ditunjukkan lewat tabel Coefficient, yaitu pada kolom Tolerance

dan kolom VIF (Variance Inflated Factors). Tolerance adalah indikator seberapa banyak variabilitas sebuah variabel bebas tidak bisa

dijelaskan oleh variabel bebas lainnya. Tolerance dihitung dengan rumus 1R2 untuk setiap variabel bebas. Jika nilai Tolerance sangat

kecil (< 0,10), maka itu menandakan korelasi berganda satu variabel bebas sangat tinggi dengan variabel bebas lainnya dan

mengindikasikan Multikolinieritas. Nilai VIF merupakan invers dari nilai Tolerance (1 dibagi Tolerance). Jika nilai VIF > 10, maka itu

mengindikasikan terjadinya Multikolinieritas.

Hipotesis untuk Multikolinieritas ini adalah:

5. Autokorelasi

Autokorelasi juga disebut Independent Errors. Regresi Berganda mengasumsikan residu observasi seharusnya tidak berkorelasi (atau

bebas). Asumsi ini bisa diuji dengan teknik statistik Durbin-Watson, yang menyelidiki korelasi berlanjut antar error (kesalahan). Durbin-

Watson menguji apakah residual yang berdekatan saling berkorelasi. Statistik pengujian bervariasi antara 0 hingga 4 dengan nilai 2

mengindikasikan residu tidak berkorelasi. Nilai > 2 mengindikasikan korelasi negatif antar residu, di mana nilai < 2 mengindikasikan

korelasi positif. >

Cara melakukan uji Durbin-Watson adalah, nilai Durbin-Watson hitung harus lebih besar dari batas atas Durbin-Watson tabel. Syarat

untuk mencari Durbin-Watson tabel adalah Tabel Durbin-Watson. Untuk mencari nilai Durbin-Watson tabel:

1. tentukan besar n (sampel) dan k (banyaknya variabel bebas).2. Tentukan taraf signifikansi penelitian yaitu 0,05.


4/10

Durbin-Watson hitung dapat dicari dengan SPSS. Nilai Durbin-Watson hitung terdapat dalam output SPSS, khususnya pada tabel Model

Summary. Hipotesis untuk Autokorelasi ini adalah:

Pengambilan keputusannya adalah:

Dengan kurva normal pengambilan Durbin-Watson:

Terima H0 jika Durbin-Watson hitung lebih besar dari ..... dan Durbin-Watson hitung lebih kecil dari 4 - .....; Artinya tidak adaAutokorelasi.

Tolak H0 jika Durbin-Watson hitung lebih kecil dari ..... atau 4 - ..... lebih kecil dari .....; Artinya ada Autokorelasi.

6. Homoskedastisitas

Uji Regresi bisa dilakukan jika data bersifat Homoskedastisitas bukan Heteroskedastisitas. Homoskedastisitas adalah kondisi dalam

mana varians dari data adalah sama pada seluruh pengamatan. Terdapat sejumlah uji guna mendeteksi gejala heteroskedastisitas

misalnya uji Goldfeld-Quandt dan Park. Namun, Wang and Jain beranggapan bahwa Uji Park dapat lebih teliti dalam memantau gejala

heteroskedastisitas ini. Dengan demikian, penelitian ini akan menggunakan Uji Park guna menentukan gejala heteroskedastisitas

variabel-variabelnya.
http://2.bp.blogspot.com/-6In-kiKcduQ/TiasSbFs-GI/AAAAAAAAAfo/vxXDZ4vNqII/s1600/r3.PNGhttp://3.bp.blogspot.com/-klhlbvo2-k4/TiasFriJfMI/AAAAAAAAAfk/CWTr-obGots/s1600/r2.PNGhttp://2.bp.blogspot.com/-6In-kiKcduQ/TiasSbFs-GI/AAAAAAAAAfo/vxXDZ4vNqII/s1600/r3.PNGhttp://3.bp.blogspot.com/-klhlbvo2-k4/TiasFriJfMI/AAAAAAAAAfk/CWTr-obGots/s1600/r2.PNG


5/10

Uji Park dilakukan dengan meregresikan nilai residual (Lne2) dengan masing-masing variabel independent. The Park test suggests that

if heteroscedasticity is present, the heteroscedastic varianc e_i^2 may be systematically related to one or more of the explanatory

variables. Rumus uji Park sebagai berikut:

Cara melakukan Uji Park adalah sebagai berikut:

1. Dengan SPSS klik Analyze -->Regression --> Linear --> Masukkan variabel y ke Dependent --> Masukkan variabel x1, x2, x3, x4 keIndependent(s) --> Klik Save --> Pada Residual klik Unstandardized --> Continue --> OK

2. Pada SPSS klik Data View --> Cek bahwa ada satu variabel baru bernama res_1. Ini merupakan nilai _i^ . Nilai ini harus dikuadratkandengan cara (pada SPSS) klik Transform --> Compute --> Isi Target Variable dengan _i^2 --> Pada operasi hitung kalikan nilai _i^

dengan _i^ . Pada Variable View SPSS muncul variabel baru bernama _i^2.

3. Dengan SPSS, tepatnya menu Transform --> Compute lakukan perubahan nilai _i^2, X1, X2, X3, X4 ke dalam bentuk logaritma natural(Ln) [caranya dengan Klik Ln lalu pindahkan variabel] Ln(_i^2 ) yaitu regresi unstandardized residual pada Target Variable d inamai

Lnei2; X1 yaitu variabel x1 pada Target Variable dinamai Lnx1; X2 yaitu variabel x2 pada Target Variable dinamai Lnx2; x3 yaitu

variabel x3 pada Target Variable dinamai Lnx3; x4 yaitu variabel x4 pada Target Variable dinamai Lnx4.

4. Setelah diperoleh nilai variabel-variabel baru Lnei2, LnX1, LnX2, LnX3, dan LnX4.5. Lakukan uji regresi kembali secara satu per satu.6. Pertama, klik Analyze --> Regression>Linear --> Masukkan variabel Lnei2 ke kotak Dependent --> Masukkan variabel LnX1 ke

Independent(s) --> OK. Sementara hasil belum dihiraukan.

7. Kedua, klik Analyze --> Regression --> Linear --> Variabel Lnei2 masih ada di Dependent, biarkan > Keluarkan LnX1 dan masukkanLnX2 ke Independent(s) > OK. Sementara hasil belum dihiraukan.

8. Ketiga, klik Analyze --> Regression --> Linear --> Variabel Lnei2 masih ada di Dependent, biarkan > Keluarkan LnX2 dan masukkanLnX3 ke Independent(s) > OK. Sementara hasil belum dihiraukan.

9. Keempat, klik Analyze --> Regression --> Linear --> Variabel Lnei2 masih ada di Dependent, biarkan > Keluarkan LnX3 dan masukkanLnX4 ke Independent(s) > OK. Sementara hasil belum dihiraukan.

10. Perhatikan Output SPSS. Pada output, terdapat hasil perhitungan Park bagi variabel x1, x2, x3 dan x4, tepatnya adalah hasil uji Lnei2dengan LnX1, dan uji Lnei2 dengan LnX2, uji Lnei2 dengan LnX3, dan uji Lnei2 dengan LnX4.

11. Peneliti akan memperbandingkan apa yang tertera di tabel Coefficients, yaitu nilai t.12. Guna memastikan apakah ada gejala heteroskedastisitas, peneliti akan memperbandingkan nilai thitung dengan ttabel. Nilai ttabel dapat

dicari pada Tabel t, yaitu dengan menentukan df = n - 4 . n adalah jumlah sampel dan 4 karena jumlah variabel independen penelitian

adalah 4. Sehingga nilai df = 48 4 = 44. Dalam taraf 0,05 uji yang dilakukan adalah 2 sisi sehingga singnifikansi pada tabel adalah

0,025.

Dengan mempertemukan nilai 46 dan 0,025 dan uji 2 sisi pada taraf 95% (0,025) pada Tabel t diperoleh nilai t tabel penelitian sebesar

......

Hipotesis yang diajukan mengenai masalah homoskedastisitas ini sebagai berikut:
http://1.bp.blogspot.com/-Drx2f1wh7dU/TiatDU6rbSI/AAAAAAAAAfs/J0O-xo9LNNY/s1600/r4.PNG


6/10

Alternatif Uji Homoskedastisitas Jika Uji Park dianggap Terlampau Rumit

Jika uji Park dianggap terlampau rumit, maka pengujian alternatif dapat ditempuh guna melihat apakah terjadi Homoskedastisitas atauHeteroskedastisitas.

Caranya dengan melihat grafik persilangan SRESID dengan ZPRED pada output hasil SPSS. Caranya sebagai berikut:

1. Klik Analyze --> Regression --> Linear2. Klik Plot.3. Isikan SRESID pada y-axis dan ZPRED pada x-axis.4. Klik Continue. Perhatikan grafik scatterplot. Ingat, Homoskedastisitas terjadi jika varians dari residual satu pengamatan ke pengamatan

lain tetap atau sama. Heteroskedastisitas terjadi jika varians dari residual satu pengamatan ke pengamatan lain tidak sama atau tidak

tetap.

Homoskedastisitas terjadi jika tidak terdapat pola tertentu yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu

Y. Heteroskedastisitas terjadi jika terdapat titik-titik memili pola tertentu yang teratur seperti bergelombang, melebar kemudian

menyempit.

Interpretasi Hasil Uji Regresi Berganda

Setelah uji Regresi Berganda selesai dilakukan, peneliti harus melakukan interpretasi. Rumus Regresi Berganda (standar) adalah sebagai

berikut:

Setelah pengujian Regresi Berganda dengan SPSS selesai, hal-hal penting untuk interpretasi adalah apa yang tercantum pada tabel-tabel

pada output SPSS.

Tabel Descriptives

Pada tabel Descriptive dapat dilihat nilai Standar Deviasi. Nilai ini terdapat pada kolom Std. Deviation. Nilai ini nanti akan

diperbandingkan dengan nilai Std. Error of the Estimate.
http://4.bp.blogspot.com/-qnT6sNInieY/TiatxKVFmUI/AAAAAAAAAf0/1AU-9K7RP5k/s1600/r6.PNGhttp://1.bp.blogspot.com/-D6lPGcPr9HI/Tiatap5wF2I/AAAAAAAAAfw/U4pVI6FUDyA/s1600/r5.PNGhttp://4.bp.blogspot.com/-qnT6sNInieY/TiatxKVFmUI/AAAAAAAAAf0/1AU-9K7RP5k/s1600/r6.PNGhttp://1.bp.blogspot.com/-D6lPGcPr9HI/Tiatap5wF2I/AAAAAAAAAfw/U4pVI6FUDyA/s1600/r5.PNG


7/10

Tabel Model Summary

Tabel ini memberi informasi seberapa baik model analisis kita secara keseluruhan, yaitu bagaimana 4 variabel bebas mampu

memprediksikan 1 variabel terikat, dengan rincian sebagai berikut ini:

Kolom Model. Menunjukkan berapa buah model analisis yang kita bentuk.

Kolom R. Menunjukkan seberapa baik variabel-variabel bebas memprediksikan hasil (multiple correlation coefficient). Kisaran nilai R

adalah 0 hingga 1. Semakin nilai R mendekati angka 1, maka semakin kuat variabel-variabel bebas memprediksikan variabel terikat.

Namun, ketepatan nilai R ini lebih disempurnakan oleh kolom Adjusted R Square yang merupakan koreksi atas nilai R.

Kolom Adjusted R Square. Fungsinya menjelaskan apakah sampel penelitian mampu mencari jawaban yang dibutuhkan dari

populasinya. Kisaran nilai Adjusted R Square adalah 0 hingga 1. Pedoman interpretasi atas nilai Adjusted R Square adalah sebagai

berikut:

Kalikan Adjusted R2 dengan 100% maka akan diperoleh berapa % varians tiap sampel pada variabel terikat bisa diprediksi oleh variabel-

variabel bebas secara bersama-sama (simultan).

Std. Error of the Estimate. Kolom ini menjelaskan seberapa kuat variabel-variabel bebas bisa memprediksi variabel terikat. Nilai Std.

Error of the Estimate diperbandingkan dengan nilai Std. Deviation (bisa dilihat pada tabel Descriptives). Jika Std. Error of the Estimate Std. Deviation, maka Std. Error of the Estimate tidak baik untuk dijadikan prediktor dalam mementukan variabel terikat.

Durbin-Watson. Kolom ini digunakan untuk mengecek uji asumsi Autokorelasi. Bagaimana variabel bebas yang satu berkorelasi dengan

variabel bebas lainnya. Durbin-Watson ini digunakan dalam uji asumsi Regresi sebelumnya.

Tabel Coefficients

Pada tabel Coefficient, mohon perhatikan lalu jelaskan nilai-nilai yang tertera pada kolom-kolom berikut ini:

Model. Kolom ini menjelaskan berapa banyak model analisis yang dibuat peneliti. Pada kolom ini juga terdapat nama-nama variabel

bebas yang digunakan dalam penelitian. Variabel-variabel tersebut diberi label Constant yaitu nilai konstanta yang digunakan dalam

persamaan uji Regresi Berganda (a).

Unstandardized Coefficient. Kolom ini terdiri atas b dan Std. Error. Kolom b menunjukkan Koefisien b, yaitu nilai yang menjelaskan

bahwa Y (variabel terikat) akan berubah jika X (variabel bebas) diubah 1 unit.

Standardized Coefficients. Pada kolom ini terdapat Beta. Penjelasan sebelumnya mengenai nilai b punya masalah karena variabel-

variabel kerap diukur menggunakan skala-skala pengukuran yang berbeda. Akibatnya, kita tidak bisa menggunakan nilai b guna melihat

variabel-variabel bebas mana yang punya pengaruh lebih kuat atas variabel terikat. Misalnya, jika variabel yang diteliti adalah jenis

kelamin yang punya skala minimal 1 dan maksimal 2 dan pengaruhnya terhadap sikap yang skalanya minimal 1 dan maksimal 6, nilai b

diragukan efektivitas prediksinya. Ini akibat nilai yang diperolehnya rendah atas pengaruh perbedaan skala pengukuran. Untuk

memastikan pengaruh inilah maka nilai Beta dijadikan patokan. Nilai Beta punya kisaran 0 hingga 1, di mana semakin mendekati 1 maka

semakin berdampak besar signifikansinya.


8/10

Sig. Kolom ini menjelaskan tentang signifikansi hubungan antar variabel bebas dengan variabel terikat. Nilai Sig. ini sebaiknya adal ah di

bawah 0,05 (signifikansi penelitian).

Tolerance. Kolom ini menjelaskan banyaknya varians pada suatu variabel yang tidak bisa dijelaskan oleh variabel prediktor lainnya.

Kisarannya 0 hingga 1, di mana semakin mendekati 1 maka semakin mengindikasikan prediktor-prediktor lain tidak bisa menjelaskan

varians di variabel termaksud. Nilai yang semakin mendekati 0 artinya hampir semua varians di dalam variabel bisa dijelaskan oleh

variabel prediktor lain. Nilai Torelance sebaiknya ada di antara 0,10 hingga 1.

Tabel ANOVA

Sig. Tabel ANOVA menunjukkan besarnya angka probabilitas atau signifikansi pada perhitungan ANOVA. Nilai yang tertera digunakan

untuk uji kelayanan Model Analisis [dimana sejumlah variabel x mempengaruhi variabel y] dengan ketentuan angka probabilitas yang

baik untuk digunakan sebagai model regresi harus < 0,05. Nilai ini bisa dilihat pada kolom Sig. Jika Sig. < 0 ,05, maka Model Analisis

dianggap layak. Jika Sig. > 0,05, maka Model Analisis dianggap tidak layak.

Pengambilan Keputusan dengan Tabel ANOVA

Dalam Regresi Berganda, hal utama yang hendak dilihat adalah apakah serangkaian variabel bebas secara serentak mempengaruhi

variabel terikat. Dalam output SPSS ini bisa ditentukan lewat tabel ANOVA.

Pada tabel ANOVA terdapat kolom F. Nilai yang tertera pada kolom F tersebut disebut sebagai F hitung. F hitung ini diperbandingkan

dengan F tabel. Peraturannya:

Persoalannya, bagaimana menentukan F tabel? F tabel dapat ditentukan dengan cara:

1. Tentukan signifikansi penelitian yaitu 0,05 (uji 2 sisi jadi 0,025.2. Tentukan df1. Df1 diperoleh dari jumlah variabel bebas3. Tentukan df2. Df2 diperoleh dari nk1 = 4841 = 43.4. Cari angka 43 dan 4 dalam tabel F untuk signifikansi 0,025.5. Dengan Excel, ketikkan rumus =FINV(0,05;4;43)

Selain perbandingan nilai F, penerimaan atau penolakan Hipotesis juga bisa menggunakan nilai Sig. pada tabel ANOVA. Peraturannya:

Koefisien Determinasi
http://1.bp.blogspot.com/-jqZiYFVLXmI/Tiau3dWlkbI/AAAAAAAAAgA/stFFGr4CRXk/s1600/r9.PNGhttp://2.bp.blogspot.com/-cSUoiYNzftM/Tiauj_2LhRI/AAAAAAAAAf8/ZVrF5k88ktI/s1600/r8.PNGhttp://1.bp.blogspot.com/-jqZiYFVLXmI/Tiau3dWlkbI/AAAAAAAAAgA/stFFGr4CRXk/s1600/r9.PNGhttp://2.bp.blogspot.com/-cSUoiYNzftM/Tiauj_2LhRI/AAAAAAAAAf8/ZVrF5k88ktI/s1600/r8.PNG


9/10

Dalam uji Regresi Berganda, Koefisien Determinasi digunakan untuk mengetahui persentase sumbangan pengaruh serentak variabel-

variabel bebas terhadap variabel terikat. Untuk itu, digunakan angka-angka yang ada pada Tabel Model Summary.

Cara menentukan Koefisien Determinasi sangatlah mudah. Peneliti tinggal melihat nilai pada kolom R2 dikalikan 100%. Misalnya nilai

R2 adalah 0,7777. Dengan demikian Koefisien Determinasinya = 0,7777 x 100% = 77,77%. Jadi, secara serentak variabel-variabel bebas

mempengaruhi variabel terikat sebesar 77,77%. Sisanya, yaitu 100 77,77% = 22,23% ditentukan oleh variabel-variabel lain yang tidak

disertakan di dalam penelitian.

Koefisien Regresi Parsial

Koefisien Regresi Parsial menunjukkan apakah variabel-variabel bebas punya pengaruh secara parsial (terpisah atau sendiri-sendiri)

terhadap variabel terikat?

Pada Tabel Coefficient, pengujian Hipotesis akan dilakukan. Uji hipotesis dilakukan dengan menggunakan Uji t. Pernyataan Hipotesis

yang hendak diuji sebagai berikut:

Nilai t hitung bisa dilihat pada kolom t bagi masing-masing variabel bebas.

Nilai t tabel bisa dicari dengan cara berikut ini:

1. = 0,05; untuk uji 2 sisi = 0,025 2. Degree of Freedom (df) = jumlah sampeljumlah variabel bebas1 (angka 1 adalah konstanta) = 4841 = 43.3. Cari persilangan antara df = 43 dan 0,025.4. Pencarian nilai t tabel dengan Excel mudah sekali. Ketik rumus =tinv(0,05;43).

-----------------------------------------

Daftar Pustaka

Andi Field,Discovering Statistics using SPSS: And Sex Drug and Alcohol, Second Edition (London: SAGE Publication, 2005) Daniel Muijs,Doing Quantitative Research in Education with SPSS(London: SAGE Publication Ltd., 2004)
http://1.bp.blogspot.com/-haw5GFGMiRY/TiavRgC1alI/AAAAAAAAAgE/SF3eES8Py5E/s1600/r10.PNG


10/10

George C.S. Wang and Chaman L. Jain,Regression Analysis: Modelling and Forecasting(New York: Graceway Publishing Company,2003)

Jonathan Sarwono, Statistik Itu Mudah: Panduan Lengkap untuk Melakukan Komputasi Statistik Menggunakan SPSS 16 (Yogyakarta:Penerbit ANDI, 2009)

Julie Pallant, SPSS Survival Manual: A Step by Step Guide to Data Analysis using SPSS for Windows , Third Edition (Berkshire:McGraw-Hill and Open University Press, 2007)

Nancy L. Leech, Karen C. Barrett, George A. Morgan, SPSS for Intermediate Statistics: Use and Interpretation, Second Edition (NewJersey: Lewrence Erlbaum Associates, Publishers, 2005)

Sarah Boslaugh and Paul Andrew Watter, Statistics in a Nutshell: A Desktop Quick Reference (Sebastopol: OReilly Media, Inc., 2008) Simon Washington, Matthew G. Karlaftis and Fred L. Mannering, Statistical and Econometric Methods for Transportation Data

Analysis, (Boca Raton : Chapman & Hall/CRC, 2003)

Tony Wijaya,Analisis Data Penelitian Menggunakan SPSS(Yogyakarta: Penerbit Universitas Atma Jaya Yogyakarta, 2009)tags:

cara uji regresi berganda dengan spss menafsirkan output hasil spss arti tabel summary koefisien determinasi regresi parsial mengolah

hasil spss

uji regresi berganda banyak sekali dipakai dalam penelitian

Documents