**Masih sibuk, enggak sempat nulis**

Cara menganalisis Regresi linier berganda dengan SPSS 17.0

Cara menganalisis Regresi linier berganda dengan SPSS 17.0
Analisis regresi digunakan untuk memprediksi pengaruh variabel bebas terhadap variabel terikat. Analisis regresi juga dapat dilakukan untuk mengetahui kelinieritas variabel terikat dengan varibel bebasnya, selain itu juga dapat menunjukkan ada atau tidaknya data yang outlier atau data yang ekstrim.
Analisis regresi linear berganda terdiri dari satu variabel dependen dan dua atau lebih variabel independen.  Misalnya dalam suatu kegiatan penelitian ingin diketahui apakah variabel X (Sex dan Nilai harian 1) berpengaruh terhadap variabel Y (nilai rapot). Data penelitian adalah sebagai berikut:

Nama
SexNilai harian 1  Nilai Rapot
IDM01
IDM02
IDM03
IDM04
IDM05
IDM06
IDM07
IDM08
IDM09
IDM10
IDM11
IDM12
IDM13
IDM14
IDM15
1
2
1
1
1
2
2
1
1
2
2
1
1
2
1
50
61
80
76
40
73
86
77
59
56
66
80
72
95
83
68
86
78
80
76
74
70
80
76
85
60
69
89
90
88

Keterangan sex: 1=laki-laki, 2=perempuan

Langkah-langkah menganalisis menggunakan spss 17.0  adalah sebagai berikut:
1.    Buka lembar kerja SPSS
2.    Buat semua keterangan variabel di variable view seperti gambar berikut:
3. Klik Data view dan masukan data sehingga tampak hasilnya sebagai berikut:
4. Lakukan analisis dengan cara: Analize, Regression, Liniear. akan muncul dialog seperti gambar berikut; Selanjutnya isilah kotak menu Dependen dengan variabel terikat, yaitu variabel Rapor dan kotak menu independen dengan variabel bebas, yaitu variabel Sex dan Harian 1.

5. Selanjutnya klik kotak menu Statistics. Pilih Estimates, Descriptives dan Model fit lau klik Continue. Tampilan muncul seperti berikut
6. Kotak menu Plots, berfungsi untuk menampilkan grafik pada analisis regresi.  klik kotak menu Plots, kemudian klik Normal probanility plot yang terletak pada kotak menu Standardized Residual plots. Selanjutnya klik Continue. Tampilannya adalah sebagai berikut:




7. Selanjutnya klik Continue. Untuk melakukan analisis kliklah OK. Beberapa saat kemudian akan keluar outputnya, sebagai berikut:

Regression

[DataSet1]







Cara membaca Output tersebut adalah. sebagai berikut:
1. Deskriptif statistik
Dari output tersebut dapat dilihat rata-rata nilai rapot dari 15 siswa adalah 77,93 dengan standar deviasi 8,779 sedangkan rata-rata nilai harian 1 adalah 70,27 dengan standar deviasi 14,786

2. Korelasi
Dari tabel dapat dilihat bahwa besar hubungan antara variabel nilai rapot dengan sex adalah -0,042 hal ini menunjukan hubungan negatif.
besar hubungan nilai harian 1 dengan nilai rapot adalah 0,238 yang berarti ada hubungan positif, makin besar nilai harian 1 maka makin tinggi pula nilai rapot.

3. Variabel masuk dan keluar
Dari tabel diatas menunjukan variabel yang dimasukan adalah nilai harian 1 dan sex, sedangkan variabel yang dikeluarkan tidak ada (Variables Removed tidak ada)

4.Model sisaan 

 Pada tabel diatas angka R Square adalah 0,063 yaitu hasil kuadrat dari koefisien korelasi (0,250 x 0,250 = 0,063). Standar Error of the Estimate adalah 9,181, perhatikan pada analisis deskriptif statitik bahwa standar deviasi nilai rapot adalah 8,779 yang jauh lebih kecil dari dari standar error, oleh karena lebih besar daripada standar deviasi nilai rapot maka model regresi tidak bagus dalam bertindak sebagai predictor nilai rapot.

5. Anova
Hipotesis:
Ho: B1=B2=0
Ha: ada Bi yang tidak nol
Pengambilan keputusan:
Jika F hitung <= T  tabel atau probabilitas >= 0,05 maka Ho diterima
Jika F hitung > T  tabel atau probabilitas < 0,05 maka Ho ditolak

Dari tabel diatas dapat dilihat nilai F hitung yaitu 0,401, sedangkan nilai F tabel dapat diperoleh dengan menggunakan tabel F dengan derajat bebas (df) Residual (sisa) yaitu 12 sebagai df penyebut dan df Regression (perlakuan) yaitu 2 sebagai df pembilang dengan tarap siginifikan 0,05, sehingga diperoleh nilai F tabel yaitu 3,89. Karena F hitung (0,401)  <  F tebel (3,89) maka Ho diterima.
Berdasarkan nilai Signifikan, terlihat pada kolom sig yaitu 0,679 itu berarti probabilitas 0,679 lebih dari daripada 0,05 maka Ho diterima.
Kesimpulan:
Tidak ada koefisien yang tidak nol atau koefisien berarti, maka model regresi tidak dapat dipakai untuk memprediksi nilai rapot.

6. Koefisien

Hipotesis:
Ho: Bi=0
Ha: ada Bi yang tidak nol , i=1 atau 2
Pengambilan keputusan:
Jika T hitung <= T  tabel atau probabilitas >= 0,05 maka Ho diterima
Jika T hitung > T  tabel atau probabilitas < 0,05 maka Ho ditolak
* Constant: Berdasarkan tabel diatas, dapat dilihat bahwa nilai T hitung untuk Constant yaitu  5,360, pada T tabel dengan db 12 dan taraf signifikan 0,05 diperoleh 1,782, karena T hitung > T tabel maka Ho ditolak. sedangkan sig pada tabel B adalah 0,000 yang berarti probabilitas 0,000, karena probabilitas kurang dari 0,05 maka ditolak. Berarti  bermakna dan diramalkan tidak melalui titik (0,0).
** Sex: Berdasarkan tabel diatas, dapat dilihat bahwa nilai T hitung untuk Sex yaitu  -0,277, pada T tabel dengan db 12 dan taraf signifikan 0,05 diperoleh 1,782, karena T hitung < T tabel maka Ho diterima. sedangkan sig pada tabel B adalah 0,786 yang berarti probabilitas 0,786, karena probabilitas kurang dari 0,05 maka diterima. artinya B tidak berarti.
*** Harian 1: Berdasarkan tabel diatas, dapat dilihat bahwa nilai T hitung untuk Harian 1 yaitu  0,882, pada T tabel dengan db 12 dan taraf signifikan 0,05 diperoleh 1,782, karena T hitung < T tabel maka Ho diterima. sedangkan sig pada tabel B adalah 0,786 yang berarti probabilitas 0,395, karena probabilitas kurang dari 0,05 maka diterima. artinya B tidak berarti

Berdasarkan analisis diatas maka dapat dibuat model regresi dugaannya yaitu:
Y = 69,429

Dari tabel diatas merupakan ringkasan yang meliputi nilai minimum dan maksimum, mean dan standar deviasi dari predicted value (nilai yang diprediksi) dan statistic residu.

7. Kelinieran
Jika residual berasal dari distribusi normal, maka nilai-nilai sebaran data akan terletak sekitar garis lurus, terlihat bahwa sebaran data pada gambar diatas tersebar hampir semua tidak pada sumbu normal, maka dapat dikatakan bahwa pernyataan normalitas tidak dapat dipenuhi.

Demikian dari saya, semoga bermanfaat.

BACA ARTIKEL LAINYA

11 komentar:

fajrin mengatakan...

makasih sekali penjelasan dari outputnya

Iqbal Bukhori mengatakan...

Terima kasih, sangat membantu :D

Idmat gokil mengatakan...

Terimakasih untuk komentarnya :)

iyud89 mengatakan...

Mat, saran..

Pos-kan juga cara analisis data statistik yg lainnya (uji t, Anova, dan kawan-kawannya)..

Idmat gokil mengatakan...

Oke yud, Insya Allah dalam waktu dekat....

Akhir-akhir ini masih sibuk menjelang PENDADARAN

Ilhami Putri Sari mengatakan...

Coefficient Correlations dan Collinearity Diagnostics perlu juga gak di regresi linier berganda???

kalo perlu , cara bacanya seperti apa?

andiny oktariana mengatakan...

kita juga punya nih artikel mengenai regresi linier, silahkan dikunjungi dan dibaca untuk menambah wawasan, berikut
http://repository.gunadarma.ac.id/bitstream/123456789/588/1/TS_Rani_makalah.pdf
trimakasih

chie chocolatoz mengatakan...

thx bgt yah..
ngebantu bgt nih buat PI gua..:)
thx thx thx :*

Idmat gokil mengatakan...

"Ilhami Putri Sari: Yang saya tahu, untuk regresi linier ganda, enggak perlu menggunakan Coefficient Correlations dan Collinearity Diagnostics"

"Andiny oktariana: Terimakasih untuk link-nya"

"Chie chocolatoz: Senang bisa membantu, meskipun enggak maksimal"

@All: Salam kenal dan tetap semangat!!!"

Forex Farmer mengatakan...

makasih min

miko rumahpasal mengatakan...

dangke bro....
paleng membantu beta.....

Poskan Komentar

Jangan cuma baca, sampaikan kripik dan sarapan anda melalui komentar.

Semoga dapat beranfaat bagi anda semua, AMIN