7 Regresi Ganda.docx

Statistika Pendidikan

Regresi Ganda

Pengantar Aplikasi SPSS Bidang Pendidikan Matematika

By Abdul Mujib, Universtas Muslim Nusantara Al-Washliyah Medan, Mei 2021

Pengertian Regresi Ganda

Regresi ganda atau Regresi linier Ganda atau Repgeri Multiples adalah suatu
metode atau teknis analisis hipotesis penelitian untuk menguji ada atau
tidaknya pengaruh antara variabel satu dengan variabel lainnya yang di
presentasikan dalam bentuk persamaan linier (regresi). Multiples atau
berganda ini mengindikasikan mencari pengaruh dua atau lebih variabel bebas
(independent variabel, biasa dinotasikan dengan X) terhadap variabel terikat
(dependent, biasa disimbolkan dengan Y).

Oleh karena itu, dapat disimpulkan, jika kita ingin mengetahui ada atau
tidaknya pengaruh satu variabel X terhadap variabel Y, kita gunakan Analisis
Regresi Sederhana. Sedangkan jika kita ingin mengetahui ada tidaknya
pengaruh dua variabel X atau lebih terhadap variabel Y, digunakan Analisis
Regresi Ganda. Gambar berikut ini menggambarkan hubungan antar
variabelnya.

Y
X

Gambar 1. Analisis Regresi Sederhana

X1 1 Y
12 2
13
3
X2
23

X3

Gambar 1. Analisis Regresi Ganda (3 variabel X1, X2, X3, terhadap Y)

Asumsi Analisis Regresi Ganda

Sebelum kita melakukan analisis regresi ganda atau analiais regresi multiples
untuk menguji hipotesis penelitian, ada beberapa asumsi atau persyaratan
yang harus dipenuhi dalam model regresi. Artinya, model regresi yang
diperoleh dikatakan layak untuk mengestimasi variabel Y, jika asumsi sudah
terpenuhi. Persyaratan atau asumsi ini ditunjukkan atau dibuktikan melalui
serangkaian uji asumsi klasik. Diantara uji asumsi klasik regresi sebagai
berikut:

1. Uji Normalitas
Asumsi yang harus dipenuhi dalam model regresi adalah berdistribusi
normal. Termasuk residual dari regresi harus berdistribusi normal.

2. Uji Liniearitas
Uji liniearitas harus dipenuhi. Uji liniearitas dilakukan untuk
mengetahui hubungan yang terbentuk antara variable independent
dengan variable dependent secara parsisal adalah linier.

3. Uji Multikoliniearitas
Model regresi yang baik adalah tidak terjadi gejala multikoliniearitas.
Mutikoliniearitas bertujuan untuk mengetahui ada tidaknya hubungan
korelasi yang tinggi atau sempurna antar variable independent.

4. Uji Heteroskedastisitas
Model regresi yang baik tidak terjadi gejala heteroskedastisitas. Uji
Heteroskedastisitas adalah uji apakah setiap variable independent
memiliki variansi yang sama (homogen). Jika variansi setiap variable
independent sama, maka tidak terjadi heteroskedastisitas.

5. Uji Autokorelasi
Model Regresi yang baik adalah yang tidak terjadi autokorelasi. Auto
korelasi adalah korelasi antar residual pada perode t dengan residual
pada perode t-1 (sebelumnya).

“Model Regresi Ganda yang
baik jika memenuhi Uji Asumsi
Klasik: Normalitas, Liniearitas,

Multikoliniearitas,
Heteroskedastisitas, dan

Autolorelasi”

SPSS Statistics 24

SPSS adalah sebuah program aplikasi yang memiliki
kemampuan untuk analisis statistik cukup tinggi serta
sistem manajemen data pada lingkungan grafis dengan
menggunakan menu-menu deskriptif dan kotak-kotak
dialog yang sederhana sehingga mudah dipahami untuk
cara pengoperasiannya.

Beberapa aktivitas dapat dilakukan dengan mudah yaitu
dengan menggunakan pointing dan clicking mouse

Sejarah SPSS Statstics SPSS Statis
Versi 24
SPSS (awalnya, Paket Statistik untuk Ilmu Sosial) dirilis di versi pertama yaitu
pada tahun 1968 setelah dikembangkan oleh Norman H. Nie dan C. Hadlai
Hull. Norman Nie sendiri yaitu seorang ilmuan politik pasca sarjana di
Stanford University, saat itu sedang mengadakan Riset Profesor di
Departemen Ilmu Politik di Stanford dengan Profesor Emeritus Ilmu Politik di
University of Chicago.

SPSS merupakan salah satu program aplikasi yang paling banyak digunakan
untuk analisis statistik dalam ilmu sosial. Hal ini digunakan oleh peneliti
pasar, perusahaan survei, peneliti kesehatan, pemerintah, peneliti
pendidikan, organisasi pemasaran dan lain-lain. SPSS asli manual (Nie, Bent &
Hull, 1970) telah digambarkan sebagai salah satu “buku sosiologi yang paling
berpengaruh”.

Selain analisis statistik, manajemen data (kasus seleksi, file yang membentuk
kembali, membuat data turunan) dan data dokumentasi (sebuah meta data
kamus disimpan di data file) adalah fitur dari perangkat lunak dasar

SPSS banyak digunakan dalam berbagai riset pemasaran, pengendalian dan
perbaikan mutu (quality improvement), serta riset-riset sains. SPSS pertama
kali muncul dengan versi PC (bisa dipakai untuk komputer desktop) dengan
nama SPSS/PC+ (versi DOS). Tetapi, dengan mulai populernya sistem operasi
windows. SPSS mulai mengeluarkan versi windows (mulai dari versi 6.0
sampai versi terbaru sekarang)

Kepanjangan SPSS

Pada awalnya kepanjangan SPSS adalah Statistical Package for the Social
Sciens dimana pada waktu itu SPSS dibuat untuk keperluan pengolahan data
statistik untuk ilmu-ilmu sosial, sehingga . Sekarang kemampuan SPSS
diperluas untuk melayani berbagai jenis pengguna (user), seperti untuk
proses produksi di pabrik, riset ilmu sains dan lainnya. Dengan demikian,
sekarang kepanjangan dari SPSS adalah Statistical Product and Service
Solutions.

SPSS dapat membaca berbagai jenis data atau memasukkan data secara
langsung ke dalam SPSS Data Editor. Bagaimana pun struktur dari file data
mentahnya, maka data dalam Data Editor SPSS harus dibentuk dalam bentuk
baris (cases) dan kolom (variables). Case berisi informasi untuk satu unit

analisis, sedangkan variabel adalah informasi yang dikumpulkan dari masing-
masing kasus.

Software SPSS dibuat dan dikembangkan oleh SPSS Inc. yang kemudian
diakuisisi oleh IBM Corporation. Perangkat lunak komputer ini memiliki
kelebihan pada kemudahan penggunaannya dalam mengolah dan
menganalisis data statistik.

Fitur yang ditawarkan antara lain IBM SPSS Data Collection untuk
pengumpulan data, IBM SPSS Statistics untuk menganalisis data, IBM SPSS
Modeler untuk memprediksi tren, dan IBM Analytical Decision Management
untuk pengambilan keputusannya.

Program SPSS banyak diaplikasikan dan digunakan oleh kalangan pengguna
komputer di bidang bisnis, perkantoran, pendidikan, dan penelitian. SPSS
merupakan software komersial dengan harga lisensi $5,120 USD. SPSS dapat
dijalankan di sistem operasi Windows XP, Windows Vista, Windows 7, Mac
OS, dan Linux.

Untuk menginstall versi terbaru program ini, komputer Windows Anda harus
memiliki spesifikasi minimal menggunakan prosesor Intel atau AMD dengan
kecepatan 1 GHz, memori (RAM) 1 GB, resolusi monitor 1024×768 piksel, dan
harddisk dengan kapasitas kosong minimal 800 MB.

Hasil-hasil analisis muncul dalam SPSS Output Navigator. Kebanyakan
prosedur Base System menghasilkan pivot tables, dimana kita bisa
memperbaiki tampilan dari keluaran yang diberikan oleh SPSS. Untuk
memperbaiki output, maka kita dapat mmperbaiki output sesuai dengan
kebutuhan.

Fungsi SPSS

Beberapa kemudahan yang lain yang dimiliki SPSS dalam pengoperasiannya
adalah karena SPSS menyediakan beberapa fasilitas seperti berikut ini :

Data Editor

Merupakan jendela untuk pengolahan data. Data editor dirancang
sedemikian rupa seperti pada aplikasi-aplikasi spreadsheet untuk
mendefinisikan, memasukkan, mengedit, dan menampilkan data.

Viewer

Viewer mempermudah pemakai untuk melihat hasil pemrosesan,
menunjukkan atau menghilangkan bagian-bagian tertentu dari output, serta
memudahkan distribusi hasil pengolahan dari SPSS ke aplikasi-aplikasi yang
lain.

Multidimensional Pivot Tables

Hasil pengolahan data akan ditunjukkan dengan multi dimensional pivot
tables. Pemakai dapat melakukan eksplorasi terhadap tabel dengan
pengaturan baris, kolom, serta layer. Pemakai juga dapat dengan mudah
melakukan pengaturan kelompok data dengan melakukan splitting tabel
sehingga hanya satu group tertentu saja yang ditampilkan pada satu waktu.

High-Resolution Graphics

Dengan kemampuan grafikal beresolusi tinggi, baik untuk menampilkan pie
charts, bar charts, histogram, scatterplots, 3-D graphics, dan yang lainnya,
akan membuat SPSS tidak hanya mudah dioperasikan tetapi juga membuat
pemakai merasa nyaman dalam pekerjaannya.

Database Access.

Pemakai program ini dapat memperoleh kembali informasi dari sebuah
database dengan menggunakan Database Wizard yang disediakannya.

Data Transformations

Transformasi data akan membantu pemakai memperoleh data yang siap
untuk dianalisis. Pemakai dapat dengan mudah melakukan subset data,
mengkombinasikan kategori, add, aggregat, merge, split, dan beberapa
perintah transpose files, serta yang lainnya.

Electronic Distribution

Pengguna dapat mengirimkan laporan secara elektronik menggunakan
sebuah tombol pengiriman data (e-mail) atau melakukan export tabel dan
grafik ke mode HTML sehingga mendukung distribusi melalui internet dan
intranet.

Online Help

SPSS menyediakan fasilitas online help yang akan selalu siap membantu
pemakai dalam melakukan pekerjaannya. Bantuan yang diberikan dapat
berupa petunjuk pengoperasian secara detail, kemudahan pencarian
prosedur yang diinginkan sampai pada contoh-contoh kasus dalam
pengoperasian program ini.

Akses Data Tanpa Tempat Penyimpanan Sementara

Analisis file-file data yang sangat besar disimpan tanpa membutuhkan
tempat penyimpanan sementara. Hal ini berbeda dengan SPSS sebelum versi
11.5 dimana file data yang sangat besar dibuat temporary filenya.

Interface dengan Database Relasional

Fasilitas ini akan menambah efisiensi dan memudahkan pekerjaan untuk
mengekstrak data dan menganalisnya dari database relasional.

Analisis Distribusi

Fasilitas ini diperoleh pada pemakaian SPSS for Server atau untuk aplikasi
multi user. Kegunaan dari analisis ini adalah apabila peneliti akan
menganalisis file-file data yang sangat besar dapat langsung me-remote dari
server dan memprosesnya sekaligus tanpa harus memindahkan ke komputer
user.

Multiple Sesi

SPSS memberikan kemampuan untuk melakukan analisis lebih dari satu file
data pada waktu yang bersamaan.

Mapping

Visualisasi data dapat dibuat dengan berbagai macam tipe baik secara
konvensional atau interaktif, misalnya dengan menggunakan tipe bar, pie
atau jangkauan nilai, simbol gradual, dan chart.

ENTRY DATA DI SPSS
STATISTICS VERSI 24

Data View

Ketika kita buka SPSS 24, maka akan muncul dua layar pilihan yaitu Data view dan
Varibale View yang berada di pojo kiri bawah.
Data view berfungsi untuk indut data yang akan dilakukan analisis statistik. Berikut
tampilan dari data view.

Tampilan data view diatas, mirip dengan tampilan
Excel. Dalam data view kita bisa in[ut data dan bisa
impor data dari excel ke spss.

Variable View

Variable view berfungsi untuk memberikan atribut tambahan pada data view
seperti:

1. Name : Nama variabel yang di input datanya di data view.
2. Type : Jenis variabel (Numerik, Tanggal, Nominal, teks/tring, dan

sebagainya)
3. Widht: Lebar kolom dalam tampilan data view. Secara otomatis (deault) 8

karakter
4. Decimal : Jumlah digit yang menyertai dibelakang koma.
5. Label: Penjelasan lebih lanjut dari nama variabel
6. Values: Nilai Variabel, Misalkan 1= tinggi, 2= sedang, 3=rendah.
7. Mingging: Perlakuan nilai yang kosong
8. Columns: Lebar Kolom
9. Align: Rata kiri, rata kanan, atau tengah
10. Measure: Ukuran variabel, yaituskala, ordinal, atau nominal.

Contoh

Untuk memahami lebih dalam, berikut diberikan data sembarang berkaitan
dengan, Nilai matematika, Nilai Bahasa, jumlah bolos sekolah, dan tes kecerdasan.
Diduga Nilai Kecerdasan siswa bergantung pada nilai matematika, nilai Bahasa, dan
tingkat kehadiran siswa. Diberikan data sebagai berikut:

No Nilai Nilai Bahasa Absensi (X3) IQ siswa (Y)
matematika (X2)
(X1) 1 70
70 2 76
1 65 82 4 65
2 62 70 5 60
3 45 68 3 80
4 67 72 7 82
5 80 70 5 70
6 76 69 1 95
7 78 80 0 94
8 90 92 6 80
9 85 89 3 76
10 69 80 2 75
11 77 80 1 80
12 80 67 4 60
13 83 78 5 65
14 67 72 4 83
15 58 87 3 90
16 79 87 2 89
17 80 85 6 95
18 70 70 5 60
19 91 75 4 65
20 45 80 2 70
21 57 78 2 70
22 68 65 5 60
23 77 68 3 68
24 69 76 4 70
25 79 75 1 82
26 75 86 3 80
27 80 80 1 98
28 82 88 0 94
29 83 83 2 90
30 90 84 1 89
31 85 87
32 86

Selanjutnya pengisian data di data view dengan cara input datanya secara langsung dan
setting data variable-nya sebagai berikut:

Name Type Width Desimal Label Coloumns Align Measure
X1 Numeric 8 2 Nilai 8 Right Scale
Matematika
X2 Numeric 8 2 Nilai Bahasa 8 Right Scale
X3 Numeric 8 2 Absensi 8 Right Scale
Y Numeric 8 2 IQ Siswa 8 Right Scale

Maka diperoleh data dengan tampilan spss sebagi berikut:

Dan berikut ini data variable spss:

UJI ANALISI REGRESI
GANDA DENGAN SPSS

Langkah Uji Analisis Regresi Ganda

Mengacu pada data sebelumnya:
Diduga Nilai Kecerdasan siswa bergantung pada nilai matematika, nilai Bahasa, dan
tingkat kehadiran siswa.
Misalkan:
X1 : Nilai Matematika Siswa
X2 : Nilai Bahasa
X3 : Absensi Siswa
Y : IQ Siswa
Berikut ini gambaran hubungan antara keempat variabel tersebut.

X1 1 Y
12 2
13
3
X2
23

X3

Dengan hipotesis yang di ajukan adalah

H1: Terdapat pengaruh signifikan Nilai matematika
terhadap tingkat kecerdasan siswa.

H2: Terdapat pengaruh signifikan Nilai bahasa
terhadap tingkat kecerdasan siswa.

H3: Terdapat pengaruh signifikan Nilai matematika
terhadap tingkat kecerdasan siswa.

Dengan model Regresi Linier:

= + 1 1 + 2 2 + 3 3 +

Dimana:

: Konstanta

: Koefisien varibael bebas , = 1,2,3
: Residu

−langkah Analisis dari SPSS adalah sebagai berikut:

1. Dari Menu SPSS, Klik Analyze, Kemudian pilih Regression, selanjutnya pilih
Linier, seperti gambar berikut ini

Selanjutnya akan muncul Kotak dialog Linier Regression.

2. Setelah muncul kota Linier Regression, pada kotak Independent, masukkan
Variabel X1, X2, dan X3. Pada kotak Dependent, masukkan variabel Y.
kemudian klik OK. Seperti ditujukkan pada gambar berikut ini

3. Maka akan muncul hasil Output sebagai berikut:

Selanjutnya akan dibahas setiap abel hasil dari Output sebagai berikut
.

Koefisien Determinasi

Model Summary

Std. Error of the

Model R R Square Adjusted R Square Estimate

1 .848a .718 .688 6.59653

a. Predictors: (Constant), Absensi Siswa, Nilai Matematika, Nilai Bahasa

Tampilan hasi SPSS untuk model summary menunjukkan bahwa Koefisien
determinasi yaitu 2 = 0,718. Artinya secara simultan, variable X1, X2, dan X3
memberikan kontribusi sebesar 71,8% terhadap tingkat kecerdasan siswa.

Nilai Adjustes R Square 0,688, ini artinya 68,8% variaasi tingkat kecerdasan siswa
dapat dijelaskan oleh variase ketiga variable bebas. Sedangkan sisanya 31,2%
dijelaskan oleh variable lainnya.

Standard Error Estimasi (SEE) 6,596. Makin kecil nilai SEE semakin tepat model
Regresi untuk mengestimasi nilai variable dependent.

Uji Signifikansi secara Simultan (Uji F)

ANOVAa

Sum of Mean

Model Squares df Square F Sig.

1 Regression 3107.572 3 1035.857 23.805 .000b

Residual 1218.397 28 43.514

Total 4325.969 31

a. Dependent Variable: IQ Siswa

b. Predictors: (Constant), Absensi Siswa, Nilai Matematika, Nilai Bahasa

Uji Hipotesisnya adalah:

0: = 0, = 1,2,3

1: ≠ 0, = 1,2,3
Berdasarkan tabel diketahui nilai Uji F diperoleh 23,805 dengan probailitas 0,000

kurang dari 0,05. Hal ini menunjukkan bahwa koefisien regresi dari X1, X2, dan X3
tidak sama dengan no atau 0 ditolak. Artinya Variabel Independent (X1,X2, dan
X3) secara simultan berpengaruh terhadap tingkat keccerdasan siswa.
hal ini juga menunjukkan bahwa koefisien determinasi 2 signifikan.

Uji signifikansi Parameter Individual

Coefficientsa

Unstandardized Standardized

Coefficients Coefficients

Model B Std. Error Beta t Sig.
-.957 .347
1 (Constant) -15.414 16.100 5.626 .000

Nilai .625 .111 .623 3.517 .002
-.396 .695
Matematika

Nilai Bahasa .608 .173 .391

Absensi -.294 .743 -.046

Siswa

a. Dependent Variable: IQ Siswa

Untuk menginterpretasikan koefisien parameter variable independent dapat
menggunakan unstandaized coefficients maupun standardized coefficient.

Unstandardized Beta Coeffisien

Berdasarkan tabel Coefficien diatas, dari tiga variable bebas yang ada, hanya 2
variabel yang signifikan pada taraf signifikansi 5%. Yaitu variable X1 dan X2. Hal ini
dapat dilihat dari nilai probabilitasnya yaitu masing-masing 0,000 dan 0,002.
Sedangkan nilai probabilitas dari X3 adalah 0,695. Jadi, variable tingkat Kecerdasan
Siswa dipengaruhi oleh variable Nialai Matematiak (X1), Nilai Bahasa (X2) dan
Absensi siswa dengan persamaan:

= −15,414 + 0,625 1 + 0,608 2 − 0,294 3 +

➢ Koefisien Konstanta berniai negative, mengasumsikan bahwa denan tidak
ada nilai dari X1, X2, dan X3, maka tingkat kecerdasan siswa cenderung
mengalami penurunan.

➢ Koefisien X1 positif, artinya dengan mengasumsikan tidak ada nilai variable
yang lain, Jika nilai matematika X1 mengalami peningkatan, maka tingkat
kecerdasan siswa juga mengalami penignkatan.

➢ Koefisien X2 positif, artinya dengan mengasumsikan tidak ada nilai variable
yang lain, Jika nilai bahasa X2 mengalami peningkatan, maka tingkat
kecerdasan siswa juga mengalami peningkatan.

➢ Koefisien X3 negatif, artinya dengan mengasumsikan tidak ada nilai
variable yang lain, Jika absensi X2 mengalami peningkatan, maka tingkat
kecerdasan siswa akan mengalami penurunan.

Standardized Beta Coefficients

Apabila masing-masing koefisien variable bebas kita stndarisasi terlebih dahulu,
maka kita akan memiliki grasi regresi yang melewati titik pusat (0,0). Sehingga
persamaan regresi tidak memiliki konstanta. Berdasarkan tabel diatas, diperoleh
persamaan regresi:

= , + , − , +

Selanjutnya, setelah model regresi diperoleh, kita dapat melkukan uji asumsi,
apakah persyaratakan klasik dipenuhi oleh model regresi tersebut. Uji Asumsi klasik
yang harus dipenuhi adalah

1. Uji Multikolinieritas
2. Uji heteroksidastisitas
3. Uji Autokolrelasi
4. Uji Normalitas Residual

UJI
MULTIKOLINIERITAS

Multikolinieritas

Uji Mutlikolinieritas dilakukan untuk menguji apakah dalam model regresi adanya korelasi
yang tinggi atau sempurna antar variabel independent.

Jika antar variabel independent terjadi multikolinieritas sempurna, maka koefisien regresi
variabel independnent tidak dapat ditentukan dan nilai standard error menjadi tak hingga

Jika antar variabel independent terjadi multikolinieritas tinggi, maka koefisien regresi
variabel independent dapat ditentukan tetapi memiliki nilai standard error yang tinggi.
Dengan demikian nilai koefisien regresi tidak dapat diestimasi dengan tepat.

Jika tujuan regresi hanya untuk memprediksi, maka multikolinieritas bukan menjadi
masalah serius. Karena semakin tinggi nilai 2, maka semakin baik kemampuan model
regresi dalam melakukan prediksi variabel dependent.

Jika tujuan regresi linier tidak hanya sekedar prediksi melainkan juga untuk estimasi
terhadap parameter, multikolinieritas menjadi masalah serius. Karena kan menghasilkan
standar error yang besar, akibatnya estimasi parameter menjadi tidak akurat.

.

Langkah Uji Multikolieritas dengan SPSS

1. Klik Analyze, kemudian pilih Regression, kemudian klik Linier. Maka muncul kotak
dialog regression linier

2. Kemudian klik menu statistic, sehingga muncul kotak Linier Regression: Statistic.

3. Pilih atau centang Estimasi (untuk menentukan koefisien regresi)
4. Centang Covariance matrix untuk menentukan matrik korelasi antar variable

independent
5. Centang Model Fit, untuk menentukan koefisien determinasi 2
6. Centang part and Corellation, untuk menentukan korelasi parsial
7. Centang Colliniearity Diagnostic, untuk menentukan nilai toleran dan VIF.
8. Kemudian klik Continue, dan OK
9. Maka akan muncil hasil Output dan di analisis multikolinieritasnya.

Deteksi Multikolinieritas

Untuk mendetksi Multikolinieritas, dapat dilakukan berdasarkan koefisien
determinasi dan hasil Uji t antar variable independent. Selain itu, jua dapat
dilakukan berdasarkan matrik korelasinya. Dapat juga dari koefisisen diagnostic,
atau nilai kefisien dan VIF.

1. Berdarkan Koefisien Determinasi
.

Model Summary

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 .848a .718 .688 6.59653

a. Predictors: (Constant), Absensi Siswa, Nilai Matematika, Nilai Bahasa

Berdasarkan Koefisien determinati 2 = 0,718 atau 71,8% dalam kategori tinggi.
Dan Sebagian besar hasil uji statistic t antar variable independent signifikan pada
taraf 5%.
Oleh karena nilai 2 tinggi dan Sebagian besar variable independent signifikan,
maka dapat dikatakan tidak ada indikasi terjadi multikolinieritas antar variable
independent.

2. Berdasrkan matrik korelasi.

Coefficient Correlationsa

Nilai

Model Absensi Siswa Matematika Nilai Bahasa
1 Correlations
Absensi Siswa 1.000 .330 .344

Nilai Matematika .330 1.000 -.135

Nilai Bahasa .344 -.135 1.000

Covariances Absensi Siswa .552 .027 .044

Nilai Matematika .027 .012 -.003

Nilai Bahasa .044 -.003 .030

a. Dependent Variable: IQ Siswa

Berdarkan matrik korelasi, nilai korelasi antar variable diabah 0,80, koefisien korelai
antara X3 dengan X1 adalah 0,330. Koefisien korelasi antara X3 dengan X2 adalah
0,334. Koefisien korelasi antara X1 dan X2 adalah -,135. Jadi dapat dikatakan tidak
ada terjadi multikolinieritas antar variable independent.

3. Berdasrkan Koefisien Korelasi parsial.

Karena nilai 2 tinggi dan koefisien korelasi parsial masing-masing 0,728;
0,553; dan -0,075, termasuk dalam kategori tinggi juga. Maka dapat
disimpulkan bahwa tidak terjadi multikolinieritas.
4. Berdasrkan Coefiisien Index (CI)

Collinearity Diagnosticsa

Variance Proportions

Condition Nilai Nilai Absensi

Model Dimension Eigenvalue Index (Constant) Matematika Bahasa Siswa

11 3.742 1.000 .00 .00 .00 .01

2 .242 3.935 .00 .01 .00 .63

3 .013 16.925 .04 .92 .16 .07

4 .003 33.554 .96 .07 .83 .29

a. Dependent Variable: IQ Siswa

Kriteria CI:

Skor 0-10 menunjukkan tidak ada multikolinieritas

Skor 10-30 Menunjukkan adanya miltikolinieritas moderat

Skor >30 menunjukkan adanya multikolinireitas kuat.

Berdasarkan tabel Coliniearity Diagnostic, terdapat dua dimensi yang tidak terjadi
multikoinieritas , karena skor CIkurang dari 10. Terdapat satu dimensi mendapat
nilai antara 10-30 yang menunjukkan adanya multikolinieritas moderat. Dan
terdapat satu dimensi dengan nilai diatas 30 yang menunjukkan adanya
multikolinieritas kuat.

5. Berdasarkan nilai Tolerance dan VIF.

Indikator:
Jika nilai tolerance >0,10, maka tidak terjadi multikolinieritas.
Jika nilai VIF >10, maka tidak terjadi multikolinieritas
Kerana nilai tolerance setiap variable kuring dari 0,10 dan nilai VIF dari dari 10. Maka
dapat disimpulkan bahwa tidak ada multikolinieritas antar variable independent.

UJI
HETEROSKEDASTISITAS

Heteroskedastisitas

Uji Heteroskedastisitas bertujuan untuk melihat apakah setiap variabel independent mimiliki
varians yang sama.

Ada dua cara untuk mendeteksi ada tidaknya heteroksitastisitas yaitu:

1. Metode grafik
2. Metode Statistik.

Metode grafik dengan cara melihat grafik plot antara nilai prediksi variabel dependent dengan
residualnya.

Metode statistik, ada banyak uji yang bisa dilakukan diantarnya Uji park, Uji Glejser, Uji White, Uji
Speraman’s Rank Correlation, Uji Goldfeld, dan Uji Breusch-Pagan-Godfrey.

Padaa topik kali ini, akan dibahas uji grafik dan uji Glejser

.

Metode Grafik

Langkah-langkah uji heteroksidastisitas dengan metode grafik adalah sebagai berikut.
1. Lakukan uji regresi linier pada SPSS seperti Langkah sebelumnya. Sampai muncul kotak
regressin linier.
2. Kemudian klik menu Plot, maka muncul kota Linier Regression: Plot.

3. Kemudian pilih *SRESID (nilai residu) dan masukkan dalam kotak Y. Pilih *ZPRED (nilai
prediksi variable dependen) kedalam kotak X

4. Klik Continue, dan OK. Maka kana muncul grafi seperti gambar dibawah ini.

Berdasarkan gambar scatterplot diatas, terlihat bahwa titik-titik memusat disekitar titik pusat
nol. Atau titik-titik tidak menyebar baik diatas maupun dibawah angka Nol pada sumbu Y. hal
ini menunjukkan bahwa tidak terjadi heteroksidastistas pada model regresi.

Analisis grafik scatterplot memiliki kelemahan yang cukup seignifikan. Karena jumlah
pengamatan mempengaruhi hasil plotting. Semakin sedikit jumlah pengamatan, maka akan
semakin sulit untuk melakukan interpresai hasil grafik ploting. Oleh karena itu, uji statistic lebih
menjamin keakuratan uji heteroksidastisitas.

Uji Statistik Geljser

Uji Glejser dilakukan dengan cara meregresikan nilai Absolute Residual (AbsUi) terhadap
variable independent lainnya.
Jika signifikan, maka mengindikasikan terdapat heteroksidastisitas dalam model regresi.

Adapun Langkah-langkahnya adalah:
1. Lakukan uji Regresi linier seperti Langkah sebelumnya. Sampai muncul kotak Linier
Regression.
2. Klik menu Save, kemudian centang Unstandardized pada kolom Residual.

3. Klik Continue, kemudian OK
4. Maka pada Data View akan bertambah satu variable baru dengan nama Res_1

5. Absolutkan nlai Res_1, dengan cara Klik Tansform, kemudian pilih Compute Variabel….
Maka akan muncul kotak Variable Compute.

6. Pada Kotak Target Variabel, di tuliskan nama variable baru yaitu AbsUi.
7. Pada kotak Function Group, Pilih All
8. Pada Kotak Function and Special variable, pilih Abs (absolut). Kemudian Klik tanda panah

keatas.
9. Pada kotak Variabel, Pilih Res_1. Kemudikan Klik tanda panah ke kanan.
10. Sehingga, paka kotak Numeric Expression diperoleh tampilan Abs(Res_1)
11. Klik OK.
12. Diperoleh variable baru, muncul pada Data View, yaitu variable AbsUi.

13. Selanjutnya, Lakukan Uji Regresi Variabel Dependentnya AbsUi, dengan variable
independennya X1, X2, dan X3. Sehingga diperoleh Output sebagai berikut:

Berdasarkan tabel Coeficients diatas, dari hasil uji-t, diperoleh nilai probabilitas untuk X1,
X2, dan X3 masing-masing 0,564; 0,352; dan 0,199. Nilai semuanya berada diatas 0,01.
Artinya, tidak terdapat heteroksidastisitas dalam model ini. Dengan demikian, semua
variable independent dalam model regesi ini memiliki sebaran varians yang sama atau
homogen.

UJI
AUTOKORELASI

Autokorelasi

Uji Autokorelasi korelasi bertujuan untuk menguji apakah dalam model regresi terdapat
korelasi antar kesalahan penggangu (residual) pada perode t dengan kesalahan pada
periode t-1.

Jika hal ini terjadi, maka dapat dikatakat terdapat permasalahan autokorelasi.

Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu
dengan yang lainnya. Permasalashn ini timbul, karena residual tidak bebas dari satu
pengamatan dengan pengamatan yang lainnya.

Hal ini sering muncul pada data times series. Karena gangguan pada individu/kelompok
cenderung mempengaruhi gangguan pada individu/kelompok yang sama padaperiode
beriktunya.

Pada data cross section (silang waktu), masalah autokorelasi jarang terjadi. Karena
“gangguan” pada pengamatan yang berbeda berasal dari individu/kelompok yang berbeda.

Model regersi yang baik adalah Model regresi yang bebas Autokorelasi

Ada beberapa cara untuk mendeteksi ada tidaknya
autokorelasi. Diantaranya Uji Durbin Watson dan Uji RunTest.

Uji Durbin Watson (DW)

Kriteria uji DW:

Suatu model regresi dikatakan tidak terjadi permasalahan Autokorelasi jika memenuhi
ketikdasaman:

< < (4 − )

Dimana :

: nilai DW hitung

: Nilai batas atas DW tabel
Langkah-lankah Uji DW.

1. Lakukan Uji regresi linier seperti sebelumnya, sampai muncul kotak regresi linier.
2. Klik menu Statsitic, pada kolom residual, centang Durbin Watson.

3. Maka muncul Outpus SPSS sebagai berikut.

Berdasarkan tabel diatas, dperoleh nilai = 1,554. Selanjutnya akan dibandingkan
dengan nilai , pada taraf signifikansi = 5%, jumlah sample 32 dengan jumlah
variable independent 3. Berdasarkan tabel DW diperoleh:

Diperoleh nilai = 1,6505 dan = 1,2437kemudian (4 − ) = 4 − 1,6505 =
2,3495, dan nilai = 1,554
Diperoleh 1,554 < 1,6505 < 2,3495 atau 1,2437 < 1,554 < 1,6505. Artinya
tidak disimpulkan apakah terjadi Autokorelasi atau tidak.

Kita gunakan uji statistic yang lain, yaitu Run test.

Uji Run Test

Uji Run test merupakan bagian dari statistic non parametrik. Namun demikian, Run
test dapat digunakan untuk menguji apakah antar residual terdapat korelasi yang
tinggi. Jika antar residual tidak terdapat hubungan korelasi, maka diaktakan residual
bersifat acak atau random. Run tes digunakan untuk melihat apakah data residual
bersifat acak atau random.
Langkah-langkah Run Test:

1. Klik Analyze, pilih Non Parametric test , Pilih Legacy Test, kemudian Klik
Run test.

2. Maka kana muncul Kotak Dialog Run test.

3. Pada Kotal Test variable List, masukkan Res_1.
4. Pada Kotak Cut Point, centang median. Kemudian klik OK.

5. Berdasrkan Output SPSS, diperoleh nilai Run Test 0,11901 dengan
probabilitas 0,369 lebih dari 5%. Artinya Tidak signifikan. Dengan demikian
data residua bersifat random atau tidak terjadi autokorelasi antar nilai
residual.

.

UJI NORMALITAS
RESIDUAL

Uji Normalitas Residual

Uji Normalitas residual bertujuan apakah dala model regersi linier, ariabel penggangnu
atau residual bersidtribusi normal. Uji t dan F mengindikasikan bahwa nilai residual
berdistribusi normal.
Jika terjadi pelanggaran asumsi ini, maka uji statistik menjadi tidak valid untuk jumlah
pengamatan kecil.
Uji normalitas residual dilakukan dengen Uji satatistik Kolmogorov Smirnov (KS).

.

Uji KS

Langkah uji KS:
1. Klik Analyze, pilih Non parametric test. Kemudian pilih Legacy Dialog. Dan klik 1
Sample KS.

2. Maka akan muncul kotak dialog One-Sample KS.
3. Masukkan data Res_1, kemudian centang Normal pada kolom Tes Distribution.

4. Kemudian Klik OK. maka akan keluar Outpus SPss sebagai berikut:

Berdasrkan tabel diatas, diketahui nilai KS 0,108 dengan probability 0,200 lebih dari 5%.
Dengan demikian data residual berdistribusi normal.

.

Kesimpulan Hasil Regresi Ganda

Berdasarkan Uji Regersi ganda diperoleh Model Regresi:

= − , + , + , − , +
Berdasarkan Uji Asumsi Klasik diperoleh:

1. Tidak terjadi multikolinieritas antar variable independentnya
2. Tidak terjadi heteroskedastisitas. Artinya semua variable random memiliki variasi

homogen.
3. Tidak Terjadi Autokorelasi antar nilai residual
4. Data residual berdistribusi Normal.
5. Secara parsial, variable independent dengan variable dependent linier

Dengan demikian, dapat disimpulkan bahwa Model regresi yang diperoleh adlah model
yang baik untuk mengestimasi dan memprediksi tingkat kecermasan siswa.