Professional Documents
Culture Documents
Analisis regresi linier berganda adalah hubungan secara linier antara dua atau lebih variabel
independen (x1, x2, …, xn) dan dengan variabel dependen (Y). 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.
Persamaan regresi linier berganda adalah sebagai berikut :
𝑌 = 𝑎 + 𝑏1 𝑋1 + 𝑏2 𝑋2 + ⋯ +𝑏𝑛 𝑋𝑛
Dengan :
Y = Variabel dependen (nilai yang diprediksikan)
X1 dan X2 = Variabel independen
a = Konstanta (nilai Y’ apabila X1, X2, …, Xn = 0)
b = Koefisien regresi (nilai peningkatan ataupun penurunan)
Uji Normalitas Data
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel
penganggu atau residual memiliki distribusi normal. Untuk memberikan
kepastian, data yang dimiliki berdistribusi normal atau tidak, sebaiknya
digunakan uji statistika normalitas. Karena belum tentu data yang lebih dari 30
bisa dipastikan berdistribusi normal, demikian sebaliknya data yang banyaknya
kurang dari 30 belum tentu tidak berdistribusi normal, untuk itu perlu suatu
pembuktian.
Ada 2 cara mendeteksi apakah residual bersiatribusi normal atau tidak, yaitu
dengan analisis grafik dan uji statistik (melihat nilai kurtosis dan skewness
dari residual dan uji statistik non parametik Kolmogorov-Smirnov. Uji
Normalitas, dapat dilakukan :
Uji Normalitas dengan Analisis Grafik
Pengujian normalitas menggunakan analisis grafik dilakukan dengan menggunakan
histogram dengan menggambarkan variabel dependent sebagai sumbu vertikal
sedangkan nilai residual terstandarisasi digambarkan sebagai sumbu horizontal.
Jika Histogram Standardized Regression Residual membentuk kurva seperti
lonceng maka nilai residual tersebut dinyatakan normal.
Pengujian normalitas dengan analisis grafik menggunakan SPSS dilakukan dengan
langkah sebagai berikut:
Buka file Uji Asumsi Klasik.
Klik Analyse, Regression, Linear.
Masukkan variabel Omzet Penjualan pada kotak Dependent:
Masukkan variabel Jumlah outlet dan Biaya Promosi pada kotak Independent(s).
Klik Plots. Pada Y:, isi DEPENDENT dan X:, isi*ZRESID
Pada Standardized Residual Plots, klik Histogram.
Klik Normal Probability Plot lalu klik Continue.
Abaikan pilihan yang lain dan klik OK.
Output dari metode Uji Normalitas dengan Analisis Grafik
Data mengenai biaya promosi, jumlah outlet dan omzet penjualan perusahaan X
sebagai berikut : Omzet
Biaya
Penjuala Jumlah
promosi
n Outlet
(juta
(juta (unit)
Rp)
Rp)
64 4 20
61 3 16
84 5 34
70 3 23
88 5 27
92 5 32
72 3 18
77 3 22
Pengambilan Keputusan :
Berdasarkan tampilan output chart diatas dapat dilihat
dari grafik histogram maupun grafik plot. Dimana grafik
histogram memberikian pola distribusi yang melenceng
ke kanan dan grafiknya membutuk lonceng, artinya data
tersebut berdistribusi normal. Kemudian apabila dilihat
dari grafik P-Plot terlihat bahwa titik-titik mengikuti dan
mendekati garis diagonalnya sehingga dapat dikatakan
bahwa model regresi memenuhi asumsi normalitas.
1. Uji Normalitas dengan Metode Signifikasi
Skewness dan Kurtosis
Uji Normalitas dapat dilakukan dengan berdasarkan pada koefisien keruncingan
(kurtosis) dan koefisien kemiringan (skewness). Untuk melakukan standarisasi nilai
skewness dan nilai kurtosis digunakan rumus berikut:
𝑆−0 𝐾−0
𝑍𝑠𝑘𝑒𝑤 = 𝑍𝑘𝑢𝑟𝑡 =
6/𝑁 24/𝑁
Dimana :
𝑆 =Nilai skewness
𝑁 =Jumlah kasus
𝐾 =Nilai kurtosis
Jika 𝑍𝑠𝑘𝑒𝑤 dan 𝑍𝑘𝑢𝑟𝑡 ≤ nilai kritis maka residul terstandarisasi berdistribusi normal,
sedangkan jika menggunakan tingkat toleransi 0,01 atau 1 persen maka nilai krisisnya
± 2,58, tingkat toleransi 0,05 atau 5 persen maka nilai kritisnya ± 1,96 dan tingkat
toleransi 0,10 atau 10 persen maka nilai kritisnya ± 1,65.
Cara menguji normalitas dengan signifikasi skewness dan
kurtosis menggunakan SPSS dilakukan dengan langkah
sebagai berikut:
Buka file Uji Asumsi Klasik
Klik Analyze, Regression, Linear.
Klik Save. Pada kotak Residual, klik Standardized
kemudian klik Continue.
Abaikan pilihan yang lain, klik OK.
Kembali ke Data Editor. Sekarang kita sudah memiliki
variabel baru Unstandardized Residual, yaitu ZRES_1.
Output dari metode Uji Normalitas dengan Metode Signifikasi Skewness dan
Kurtosis.
Descriptive Statistics
N Skewness Kurtosis
Valid N (listwise) 8
Dari output diatas diperoleh nilai Skewness -0,159 dan nilai Kurtosis -2,236. Sehingga dapat
dihitung nilai Z-Skewness dan Z-Kurtosisnya.
Z-Skewness = S-0 / 6/𝑁 = -0,159 / 6/8 = -0,184. Karena nilai Z-Skewness = -0,184
> -1,96 dan nilai Z-Skewness = -0,184 >- 1,96, maka kecondongan data adalah simetris atau data
berdistribusi normal.
Z-Kurtosis = K-0 / 24/𝑁 = -2,236 / 24/8 = -1,291. Karena nilai Z-Kurtosis = -1,291 > -1,96
dan nilai Z-Kurtosis = -1,291 >- 1,96 maka keruncingan data adalah mesokurtik atau memiliki
distribusi normal.
3. Uji Normalitas dengan Jarque-Bera (JB
Test)
Seperti halnya uji skewness dan kurtosis, uji ini merupakan uji normalitas
dengan berdasarkan pada koefisien keruncingan (kurtosis) dan koefisien
kemiringan (skewness). Uji ini dilakukan dengan membandingkan statistik
Jarque-Bera (JB) dengan nilai 𝑋 2 tabel. Jika nilai Jarque-Bera (JB)≤ 𝑋 2 tabel
maka nilai residual terstandarisasi dinyatakan berdistribusi normal. Untuk
menghitung nilai statistik Jarque-Bera (JB) digunakan rumus berikut:
𝑆2 𝐾−3 2
𝐽𝐵 = 𝑛 +
6 24
Keterangan:
𝐽𝐵 = Statistik Jarque-Bera
𝑆 = Koefisien skewness
𝐾 =Koefisien kurtosis
Output dari Metode Uji Normalitas dengan Jarque-Bera (JB Test)
𝑆2 𝐾−3 2
𝐽𝐵 = 𝑛[ 6 + 24
= 8[-0,004 + (-1,142)]
= 8 [-1,146] = - 9,168
Dari hasil perhitungan di atas diperoleh JB sebesar – 9,168. Karena nilai JB < X2
yaitu - 9,168 < 5,991 maka dapat dikatakan tidak ada masalah normalitas residu
pada data ini.
Uji Normalitas dengan Kolmogorov-Smirnov
Uji normalitas menggunkan uji statistik non-parametrik Kolmogorov-Smirnov Merupakan uji
normalitas menggunakan fungsi distribusi kumulatif. Nilai residual terstandarisasi
berdistribusi normal jika K hitung< K tabel atau nilai Sig. > alpha. Uji ini dilakukan
menggunakan langkah sebagai berikut:
Membuat persamaan regresi .
Mencari nilai prediksinya 𝑌 .
Mencari nilai residualnya 𝑌 − 𝑌 .
Membuat standarisasi nilai residualnya.
Mengurutkan nilai residual terstandarisasi dari yang terkecil sampai yang terbesar.
Mencari nilai𝑍𝑟 Relatif kumulatif.
Mencari nilai 𝑍𝑡 teoritis berdasarkan tabel Z.
Menghitung selisih nilai 𝑍𝑟 dengan 𝑍𝑡 dan diberi simbol K.
Mencari nilai K mutlak terbesar dan beri nama dengan K hitung.
Membandingkan nilai K hitung dengan tabel Kolmogorov-Smirnov(K tabel).
Menarik kesimpulan kenormalan data dengan kriteria jika K hitung< K tabel maka residual
terstandarisasi berdistribusi normal.
Cara menguji normalitas dengan Kolmogorov-Smirnov menggunakan SPSS dilakukan
dengan langkah sebagai berikut:
Meregresikan variabel bebas terhadap variabel tergantung, dengan langkah-langkah
berikut:
Buka file Uji Asumsi Klasik.
Klik Analize, Regression, Linear.
Masukkan variabel Omzet Penjualan pada kotak Dependent:
Masukkan variabel Jumlah outlet dan Biaya Promosi pada kotak Independent(s).
Klik Save pada kotak Residual,klik Standardized lalu Continue.
Abaikan pilihan yang lain, klik OK.
Kembali ke Data Editor. Sekarang kita sudah memiliki variabel baru
Unstandardized Residual, yaitu ZRES_1.
Menguji normalitas nilai Standardized Residual, dengan langkah-langkah berikut:
Pada Menu utama SPSS,pilih Analize, Nonparametrics Test, 1 Sample K-S.
Masukkan variabel Unstandardized Residual pada Kotak Variabel(s):
Klik OK.
Analisis One –Sample Kolmogorov-Smirnov Test:
Output dari metode Uji Normalitas dengan
Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Jumlah_Outlet Biaya
N 8 8
Mean 3,88 24,00
Normal Parametersa,b
Std. Deviation ,991 6,481
Absolute ,311 ,186
Most Extreme Differences Positive ,311 ,186
Negative -,247 -,141
Kolmogorov-Smirnov Z ,881 ,527
Asymp. Sig. (2-tailed) ,420 ,944
a. Test distribution is Normal.
b. Calculated from data.
Pengambilan Keputusan :
Karena P-Value > 0,05 yaitu 0,420 > 0,05 dan 0,944 > 0,05 maka dapat
dikatakan bahwa data yang diuji tersebut adalah berdistribusi normal.
Konsekuensi dan Cara Mengatasi Pelanggaran Normalitas.
Konsekuensi jika asumsi normalitas tidak terpenuhi pada sebuah model regresi
adalah nilai prediksi yang diperoleh akan bias dan tidak konsisten.
Jika asumsi normalitas tidak terpenuhi maka dapat dilakukan beberapa
metode treatmeant untuk mengatasi pelanggaran tersebut.
Menambah jumlah data.
Melakukan transformasi data menjadi log atau LN atau bentuk lainnya.
Menghilangkan data yang dianggap sebagai penyebab data tidak normal.
Dibiaskan saja tetapi kita harus menggunakan alat analisis lain.
Uji Linearitas
Uji linearitas dipergunakan untuk melihat apakah model yang dibangun
mempunyai hubungan linear atau tidak. Uji ini jarang digunakan pada
berbagai penelitian, karena biasanya model dibentuk berdasarkan telaah
teoretis bahwa hubungan antara variabel bebas dengan variabel terikatnya
adalah linear. Hubungan antar variabel yang secara teori bukan merupakan
hubungan linear sebenarnya sudah tidak dapat dianalisis dengan regresi
linear, misalnya masalah elastisitas.
Jika ada hubungan antara dua variabel yang belum diketahui apakah linear
atau tidak, uji linearitas tidak dapat digunakan untuk memberikan
adjustment bahwa hubungan tersebut bersifat linear atau tidak. Uji linearitas
digunakan untuk mengkonfirmasikan apakah sifat linear antara dua variabel
yang diidentifikasikan secara teori sesuai atau tidak dengan hasil observasi
yang ada. Uji linearitas dapat menggunakan uji Durbin-Watson, Ramsey Test
atau uji Lagrange Multiplier.
1. Metode Analisi Grafik
Metode analisis grafik dilakukan dengan mengamati scatterplot dimana sumbu horizontal
menggambarkan nilai prediksi terstandarisasi, sedangkan sumbu vertikal menggambarkan
nilai residual terstandarisasi. Asumsi linieritas terpenuhi jika plot antara nilai residual
terstandarisasi dengan nilai prediksi terstandarisasi tidak membentuk suatu pola tertentu
(acak). Namun metode ini dapat bersifat subyektif, artinya dengan sctterplot yang sama,
orang yang satu dengan yang lain dapat memberikan kesimpulan yang berbeda mengenai pola
pada scatterplot tersebut.
Uji linieritas dengan metode analisis grafik dilakukan dengan langkah sebagai berikut:
Membuat persamaan regresi
Mencari nilai prediki (Ý)
Mencari residual (Y-Ý)
Mentransformasikan nilai prediksi ke dalam bentuk standardized.
Mentransformasikan nilai residual ke dalam bentuk standardized.
Membuat plot dimana sumbu vertikal residual standardized, sedangkan sumbu horizontal
predicted standardized.
Menarik kesimpulan uji linieritas, dengan kriteria jika scatterplot menyebar secara acak
menunjukkan model regresi yang dibentuk linier, namun sebaliknya jika scatterplot
membentuk pola tertentu maka menunjukkan model regresi tidak linier.
Pengujian linieritas dengan metode analisi
grafik menggunkan SPSS dilakukan dengan
langkah sebagai berikut:
Buka file uji asumsi klasik.
Klik Analize, Regression, Linier.
Masukkan variabel omzet penjualan pada kotak Dependent.
Masukan variabel Jumlah Outlet dan Biaya Promosi pada kotak Independent.
Pada Plots…, Y diisi dengan *ZRESID. Sedangkan X diisi dengan *ZPRED.
Klik Continue, abaikan pilihan yang lain dan klik OK.
Output dari Metode Metode Analisi Grafik
Data mengenai biaya promosi, jumlah outlet dan omzet penjualan perusahaan X
sebagai berikut :
Omzet
Biaya
Penjuala Jumlah
promosi
n Outlet
(juta
(juta (unit)
Rp)
Rp)
64 4 20
61 3 16
84 5 34
70 3 23
88 5 27
92 5 32
72 3 18
77 3 22
Berdasarkan output pada scatterplot di atas terlihat bahwa plot menyebar secara
acak di atas maupun di bawah angka nol pada sumbu stamdardized residual.
Berdasarkan uji linearitass menggunakan metode analisis grafik, model regresi
yang terbentuk dinyatakan linier.
2. Metode Durbin-Watson
Metode ini dilakukan dengan cara membandingkan nilai DW hitunh dengan
nilai DW statistik, baik pada persamaan regresi linier maupun dengan
persamaan regresi kuadratik. Uji linieritas menggunakan uji DW dilakukan
dengan langkah sebagai berikut:
Membuat persamaan regresi pertama
𝑌 = 𝑎 + 𝑏1 𝑋1 + 𝑏2 𝑋2 + ⋯ + 𝑏𝑛 𝑋𝑛 + 𝜀
Hitung nilai DW statistik pada persamaan pertama.
Membuat persamaan regresi kedua
𝑌 = 𝑎 + 𝑏1 𝑋1 + 𝑏2 𝑋2 + ⋯ + 𝑏𝑛 𝑋𝑛 + 𝑏3 𝑋32 + 𝑏4 𝑋42 + ⋯ + 𝑏𝑛 𝑋𝑛2 + 𝜀
Hitung nilai DW statistik pada persamaan kedua.
Menarik kesimpulan uji linieritas, baik pada regresi pertama maupun pada
persamaan regresi kedua, dengan kriteria jika DW statistik signifikan atau
berada pada daerah otokorelasi negative maka spesifikasi model adalah salah.
Demikian pula sebaliknya.
Cara menguji linieriras dengan metode Durbin Watson menggunakan SPSS dilakukan dengan langkah brikut:
Mengresikan variabel bebas terhadap variabel tergantung, dengan langkah sebagai berikut:
Buka file uji asumsi klasik.
Klik Analyze, Regresion, Linier.
Masukkan variabel Omzet Penjualan pada kontak Dependent.
Masukkan variabel jumlah oulet dan Biaya promosi pada kotak Independent(s).
Klik Save…, pada kotak Statistik, pada bagian Residual, klik Durbin Watson, Continue.
Abaikan pilihan yang lain, klik OK.
Kembali ke Data Editor. Untuk mengkuadratkan semua variabel bebas, lakukan langkah berikut:
Klik Tranform, Compute.
Target Variabel diisi dengan X1Sqr.
Numeric Expresion diisi dengan jumlah outlet*jumlah outlet.
Klik OK.
Dengan cara yang sama, kita kuadratkan variabel Biaya Promosi sehingga pada data editor kita mempunyai data variabel bebas yang telah
dikuadratkan.
Meregrisikan variabell bebas dan variabel bebas yang telah dikuadratkan terhadap variabel tergantungnya. Langkah-langkahnya adalah sebagai berikut:
Klik Analize, Regresion, Linier.
Klik Riset.
Masukkan varibel Omzet Penjualan pada kotak Dependent.
Masukkan variabel Jumlah outlet, Biaya promosi, X1Sqr dan X2Sqr pada kotak Independent(s).
Klik Save… pada kota Statistics, pada bagian Residual, klik Durbin Watson kemudian klik Continue.
Abaikan pilihan lain, klik OK.
Output dari Metode Durbin-Watson
Model R R Square Adjusted R Square Std. Error of the Durbin-Watson Model R R Square Adjusted R Square Std. Error of the Durbin-Watson
Estimate Estimate
Berdasarkan output pertama pada tabel di atas diperoleh sig Z1 = 0,483, karena
nilai sig Z1 > 0,05 maka model tersebut dinyatakan linier.
Coefficientsa
Model Unstandardized Standardiz t Sig.
Coefficients ed
Coefficient
s
B Std. Error Beta
(Constant) 38,431 10,836 3,547 ,024
Jumlah_Out
6,899 8,785 ,608 ,785 ,476
1 let
Biaya ,478 1,345 ,275 ,355 ,740
Z2 3,778 5,145 ,312 ,734 ,504
a. Dependent Variable: Omzet
Berdasarkan output kedua pada tabel di atas diperoleh sig Z1 = 0,483, karena nilai sig Z1 > 0,05
maka model tersebut dinyatakan bahwa Z2 tidak linier.
Berdasarkan uji MWD Nampak bahwa Z1 linier sedangkan Z2 non linier maka dapat disimpulkan
bahwa model tersebut dapat menggunakan regresi linier maupun non linier.
4.Metode Ramsey
Metode mengasumsikan bahwa metode yang benar adalah persamaan yang linier sehingga hipotesis nol menyatakan bahwa
model adalah linier. Sebaliknya, hipotesis alternatif menyatakan bahwa model adalah tidak linier. Prinsip metode ini adalah
membandingkan antara nilai hitung (persamaaan baru) dengan nilai F tabel dengan df = (α, m, n-k). Langkahnya adalah sebagai
berikut:
Membuat persamaan regresi.
Berdasarkan persamaan regresi, dapatkan nilai R2 dan diberi nama R2 old.
Dapatkan nilai fitted dari variabel tergantung.
Meregresikan variabel bebas dan nilai fitted terhadap variabel tergantung.
𝑌 = 𝑏0 + 𝑏1 𝑋1 + 𝑏2 𝑋2 + 𝑏3 𝑓𝑖𝑡𝑡𝑒𝑑 + 𝑒
Berdasarkan persamaan regresi kedua, dapatkan nilai R2 dan diberi nama R2 new.
Hitung nilai F hitunh dengan persamaan sebagai berikut:
(𝑅2 𝑛𝑒𝑤 − 𝑅2 𝑜𝑙𝑑)/𝑚
𝐹=
(1 − 𝑅2 𝑛𝑒𝑤)/(𝑛 − 𝑘)
Dimana :
m = Jumlah variabel bebas yang baru masuk
n = Jumlah observasi
k = banyaknya parameter
Menarik kesimpulan uji linieritas dengan kriteria jika F hitung < F tabel dengan df = (α, m, n-k) maka model dinyatakan linier.
Demikian juga sebaliiknya.
Cara menguji linieritas dengan metode
Ramsey menggunakan SPSS adalah sebagai
berikut:
Meregresikan variabel bebas terhadap variabel tergantung, dengan langkah-langkah sebagai berikut:
Buka file Uji Asumsi Klasik.
Klik Analize, Regresion, Linier.
Masukkan varibel Omzet penjualan pada kotak Dependent.
Masukkan variabel Jumlah outlet dan Biaya promosi pada kotak Independent(s).
Klik Save. Pada kotak Influence statistics, klik DfFit lalu klik Continue.
Abaikan pilihan yang lain, klik OK.
Kembali ke Data Editor. Sekarang kita sudah memiliki variabel baru, yaitu DFF_1
Meregresikan variabel bebas dan DFF_1 terhadap variabel bebasnya dengan langkah sebagai berikut:
Klik Analize, Regresion, Linier.
Klik Reset.
Masukkan varibel Omzet penjualan pada kotak Dependent.
Masukkan variabel jumlah outlet dan biaya promosi DFF_1 pada kotak Independent(s).
Klik OK.
Output dari Metode Ramsey
Model Summaryb
Estimate
Model R R Square Adjusted R Square Std. Error of the
Estimate
1 ,865a ,749 ,648 6,671
a. Predictors: (Constant), Biaya, Jumlah_Outlet
1 ,439a ,193 ,059 10,916
b. Dependent Variable: Omzet
a. Predictors: (Constant), DFFIT
Berdasarkan output pada persamaan pertama diperoleh R2 old sebesar 0,749, sedangkan
pada persamaan regresi yang kedua diperoleh R2 new sebesar 0,193. Dengan demikian
besarnya nilai F hitung dapat diperoleh :
2 2
(𝑅𝑛𝑒𝑤 − 𝑅𝑜𝑙𝑑 )/𝑚 (0,193 − 0,749)/1
𝐹= 2 = = −3,445
(1 − 𝑅𝑛𝑒𝑤 )/(𝑛 − 𝑘) (1 − 0,193)/(8 − 3)
Karena nilai F hitung (-3,445) < F tabel (5,79) maka dapat disimpulkan bahwa model regresi
yang benar adalah regresi linear.
Uji Autokorelasi
Pada output di atas terlihat bahwa nilai Durbin Watson sebesar 0,620, sedang
nilai dU = 1,7771, nilai dL = 0,5591, nilai 4-dU = 2,2229 dan nilai 4-dL =
3,4409. Karena nilai durbin Watson pada tabel Model Summary tidak terletak
antara dU hingga 4-dU maka dapat dikatakan bahwa model regresi tersebut
mengalami gejala otokorelasi.
Uji Asumsi Klasik Heteroskedastisitas
Heteroskedastisitas berarti ada varian variabel pada model regresi yang tidak sama
(konstan). Sebaliknya, jika varian variabel pada model regresi memiliki nilai yang
sama (konstan) maka disebut dengan homoskedastisitas. Yang diharapkan pada
model regresi adalah yang homoskedastisitas. Masalah heteroskedastisitas sering
terjadi pada penelitian yang menggunakan data cross-section.
Untuk mendeteksi adanya masalah heteroskedastisitas dapat digunakan metode
analisis grafik dan metode statistik.
1. Metode Analisis Grafik
2. Metode Park
3. Metode White
4. Metode Rank Spearman
Uji Heteroskedastisitas dengan Metode
Analisis Grafik
Coefficientsa
Model Unstandardized Standardize t Sig.
Coefficients d
Coefficients
B Std. Error Beta
(Constant) 38,850 10,310 3,768 ,013
Jumlah_Outl
1 1,594 4,761 ,140 ,335 ,751
et
Biaya 1,291 ,728 ,743 1,773 ,136
a. Dependent Variable: Omzet
Berdasarkan output di atas diperoleh R square 0,749 dan nilai signifikansi jumlah outlet
sebesar 0,751 dan signifikansi biaya sebesar 0,136. Karena R square tinggi namun nilai t
nya rendah maka dapat disimpulkan bahwa model regresi tersebut terjadi
multikolinearitas.