TUGAS AKHIR STATISTIK 2

REGRESSION /DESCRIPTIVES MEAN STDDEV CORR SIG N /MISSING LISTWISE ANOVA COLLIN TOL CHANGE ZPP /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN X3 /RESIDUALS DURBIN HIST(ZRESID) NORM(ZRESID).

/STATISTICS COEFF OUTS CI(95) R /DEPENDENT Y /METHOD=ENTER X1 X2

Regression
[DataSet0]
Descriptive Statistics Mean Y X1 X2 X3 74.6667 58.0667 24.2667 163.1333 Std. Deviation 11.06259 12.48695 12.03250 44.94261 N 15 15 15 15

Coefficients Unstandardized Coefficients Standardized Coefficients

95,0% Confidence Interval for B Upper Correlations Collinearity Statistics

Model 1 (Constant) X1 X2 X3

B 49.443 .480 -.463 .053

Std. Error 15.567 .215 .226 .058

Beta

t 3.176 .541 2.235 -2.045 .903

Sig. .009 .047 .066 .386

Lower Bound 15.179 .007 -.961 -.076

Bound 83.706 .952 .035 .181

Zero-order

Partial

Part

Tolerance

VIF

.403 -.321 .112

.559 -.525 .263

.520 -.476 .210

.925 .895 .963

1.082 1.117 1.039

-.503 .214

a. Dependent Variable: Y

1. Pers. Regresi
Y= a +b1X1+b2X2+b3X3 Y= 49,443 + 0,480X1 0,463X2 + 0,053X3 Interpretasinya adalah : a = 49,443 b1= 0.480 : Tanpa adanya nilai X1 dan X2 (X1 dan X2 = 0) atau X1 dan X2 dianggap konstan maka Y = 49,443 : X1 berpengaruh positif terhadap Y Jika X1 naik 1 satuan, maka nilai Y akan naik sebesar 0,480 satuan dan sebaliknya, dengan asumsi cateris paribus.

b2= -0,463

: X2 berpengaruh negatif terhadap Y Jika X2 naik 1 satuan, maka nilai Y turun sebesar 0,463 satuan atau jika X2 turun 1 satuan, maka nilai Y naik sebesar 0,463 satuan, dengan asumsi Cateris Paribus.

b3= 0,053

: X3 berpengaruh positif terhadap Y Jika X3 naik sebesar 1 satuan, maka Y naik sebesar 0,053 satuan dan sebaliknya, dengan asumsi Cateris Paribus.
Model Summary
b

Change Statistics Adjusted R Model 1 R .635

a

Std. Error of the Estimate

R Square Change .404 F Change 2.483 df1 3 df2 11 Sig. F Change .115

DurbinWatson 2.626

R Square .404

Square .241

9.63718

a. Predictors: (Constant), X3, X1, X2 b. Dependent Variable: Y

2. Koefisien Korelasi dan Determinasi Berganda

R = 0,635 Hal ini menyatakan bahwa keeratan hubungan antara Y dengan semua variabel bebas: X1, X2, dan X3 secara bersama-sama adalah sebesar 63,5 %. R2 = 0,404 Hubungan korelasi antara variabel Y dan variabel bebas X1, X2 dan X3 bernilai cukup berarti. Dapat juga di interpretasikan bahwa sumbangan variabel X1, X2 dan X3 secara bersama-sama terhadap Y sebesar 40,4 %, sisanya dipengaruhi oleh variabel lain sebesar 59,6 % yang tidak dimasukkan kedalam model.
Correlations Y Pearson Correlation Y X1 X2 X3 1.000 .403 -.321 .112 X1 .403 1.000 .265 -.023 X2 -.321 .265 1.000 .179 X3 .112 -.023 .179 1.000

3. Koefisien Korelasi Sederhana dan Parsial Koefisien Korelasi Sederhana 1) ry1 = 50,3% hubungan antara y dengan x1 berkorelasi positif jika x1 naik maka y juga naik. kekuatan hubungan x1 dengan y tergolong cukup berarti dan 49,7% dipengaruhi oleh variabel lain selain x1 dan y.

2) ry2 = - 32,1% hubungan antara y dengan x2 berkorelasi negatif jika x2 naik maka y mengalami penurunan. kekuatan hubungan x2 dengan y tergolong rendah/ lemah dan 67,9% dipengaruhi oleh variabel lain selain x2 dan y. 3) ry3 = 11.2% hubungan antara y dengan x1 berkorelasi positif jika x3 naik maka y juga naik. kekuatan hubungan x3 dengan y tergolong sangat rendah/ lemah sekali dan 88,8% dipengaruhi oleh variabel lain selain x3 dan y. 4) r12 = 26,5% hubungan antara x1 dengan x2 berkorelasi positif jika x1 naik maka x2 juga naik. kekuatan hubungan x1 dengan x2 tergolong rendah/ lemah dan 73,5% dipengaruhi oleh variabel lain selain x1dan x2. 5) r13 = -2,3% hubungan antara x1 dengan x3 berkorelasi negatif jika x1 naik maka x3 mengalami penurunan. kekuatan hubungan x1 dengan x3 tergolong sangat rendah/ lemah sekali dan 97,7% dipengaruhi oleh variabel lain selain x1dan x3. 6) r23 = 17,9% hubungan antara x2 dengan x3 berkorelasi positif jika x2 naik maka x3 juga naik. kekuatan hubungan x2 dengan x3 tergolong sangat rendah dan 82,1% dipengaruhi oleh variabel lain selain x2dan x3.
Correlations Model 1 (Constant) X1 X2 X3 .403 -.321 .112 .559 -.525 .263 .520 -.476 .210 .925 .895 .963 1.082 1.117 1.039 Zero-order Partial Part Collinearity Statistics Tolerance VIF

Koefisien Korelasi Parsial 1 ry1.23 = 0,559=55,9% Koefisien korelasi parsial antara Y dan X1, apabila X2 dan X3 konstan adalah sebesar 0,559. Artinya, hubungan keeratan antara Y dan X1 sebesar 55,9% dan berpengaruh positif dengan kekuatan cukup berarti. 2 ry2.13 = -0,525= -52,5% Koefisien korelasi parsial antara Y dan X2, apabila X1 dan X3 konstan adalah sebesar -0,525. Artinya hubungan keeratan antara Y dan X2 sebesar -52,5% dan berpengaruh negatif dengan kekuatan cukup berarti 3 ry3.12 = 0,263= 26,3% Koefisien korelasi parsial antara Y dan X3, apabila X1 dan X2 konstan adalah sebesar 0,263. Artinya, hubungan keeratan antara Y dan X3 sebesar 26,3% dan berpengaruh positif dengan kekuatan rendah.

Coefficients Standardized Coefficients Model 1 (Constant) X1 X2 X3 Beta 49.443 T 3.176 2.235 -2.045 .903

95,0% Confidence Interval for B Sig. .009 .047 .066 .386 Lower Bound 15.179 .007 -.961 -.076 Upper Bound 83.706 .952 .035 .181

.480 -.463 .053

4. Ujilah Hipotesis
a. Terdapat pengaruh signifikan X1 dan Y ( = 5%) I. Formulasi Hipotesis: H0 : 1 = 0 (tidak ada pengaruh X1 terhadap Y) H1 : 1 0 (ada pengaruh X1 terhadap Y)

II.

Taraf Nyata (/2): = 5%, /2 = 0,025 dengan db = 15 4 = 11 t0,025(11) = 2,201

III.

Kriteria Pengujian: H0 diterima apabila 2,201 t0 < 2,201 H0 ditolak apabila t0 > 2,201, atau -t0 < -2,201

IV.

Nilai Uji Statistik t0: 1 = 0,480, Sb1 = 0,215 t0 = 2,235

V.

Kesimpulan: Karena t0 = 2,235 > t0,025(11) = 2,201, maka H0 ditolak. Jadi, terdapat pengaruh X1 terhadap Y

b. Terdapat pengaruh signifikan X2 dan Y ( = 1% ) I Formulasi Hipotesis: H0 : 2 = 0 (tidak ada pengaruh X1 terhadap Y) H1 : 2 0 (ada pengaruh X1 terhadap Y)

II

Taraf Nyata (/2): = 1%, /2 = 0,005 dengan db = 15 4 = 11 t0,005(11) = 3,106

III

Kriteria Pengujian: H0 diterima apabila 3,106 t0 < 3,106 H0 ditolak apabila t0 > 3,106, atau - t0 < -3,106

IV

Nilai Uji Statistik t0: 2 = -0,463, Sb2 = 0,226 t0= -2,045

Kesimpulan: Karena t0 = -2,045 > t0,005(11) = -3,106, maka H0 diterima. Jadi, tidak terdapat pengaruh X2 terhadap Y

c. Terdapat pengaruh signifikan X3 dan Y ( = 5% )

Formulasi Hipotesis: H0 : 3 = 0 (tidak ada pengaruh X3 terhadap Y) H1 : 3 0 (ada pengaruh X3 terhadap Y)

II

Taraf Nyata (/2): = 5%, /2 = 0,025 dengan db = 15 4 = 11 t0,025(11) = 2,201

III

Kriteria Pengujian: H0 diterima apabila 2,210 t0 < 2,201 H0 ditolak apabila t0 > 2.201 atau - t0 < -2,201

IV

Nilai Uji Statistik t0: 3 = 0,053, Sb3 = 0,058 t0 = 0,903

Kesimpulan: Karena t0 = 0,903 < t0,025(11) = 2,201, maka H0 diterima. Jadi, tidak terdapat pengaruh X3 terhadap Y

ANOVA Model 1 Regression Residual Total Sum of Squares 691.706 1021.628 1713.333 df

Mean Square 3 11 14 230.569 92.875

F 2.483

Sig. .115
a

a. Predictors: (Constant), X3, X1, X2 b. Dependent Variable: Y

d. Terdapat pengaruh signifikan X1, X2 dan X3 secara bersama-sama terhadap Y ( = 5%)

Formulasi Hipotesis: H0 : 1 = 2 = 3 = 0 H1 : Salah satu 0

II

Taraf Nyata () dan nilai F tabel: = 5% = 0,05 v1 = 3 dan v2 = 15 4 = 11 F0,05(3)(11) = 3,59

III Kriteria Pengujian: Ho diterima apabila F0 < 3,59 Ho ditolak apabila F0 > 3,59

IV

Nilai Uji Statistik SST = 1713.333, SSR = 691.706 , dan SSE = 1021.628 F0 = 2.483

Kesimpulan: Karena F0 = 2.483 < F0,01(3)(11) = 3,59, maka H0 diterima. Jadi, tidak ada pengaruh signifikan dari X1, X2, dan X3 terhadap Y.

5. Uji Asumsi Klasik

1. Multikolinearitas
Correlations Model 1 (Constant) X1 X2 X3 .403 -.321 .112 .559 -.525 .263 .520 -.476 .210 .925 .895 .963 1.082 1.117 1.039 Zero-order Partial Part Collinearity Statistics Tolerance VIF

Jika VIF (varians inflansion factor) besar dari 5 maka terdapat multikolinearitas pada variabel bebas, tapi jika VIF kecil dari 5 berarti tidak tedapat multikolinearitas. X1 =VIF (1,082 < 5) maka tidak terdapat multikolinearitas X2 =VIF (1,117 < 5) maka tidak terdapat multikolinearitas. X3 =VIF (1,039 < 5) maka tidak terdapat multikolinearitas. Kesimpulannya : bahwa model regresi Y= 49,443 + 0,480X1 0,463X2 + 0,053X3 ini tidak memiliki masalah multikolinearitas. Antara variabel bebas yang satu dengan variabel yang lain dalam model regresi tidak saling berkorelasi linear.

2. Autokorelasi
Std. Error Mode l 1 R .635
a

Change Statistics R Square Change .404 F Change 2.483 df1 3 df2 11 Sig. F Change .115 DurbinWatson 2.626

Adjusted R R Square .404 Square .241

of the Estimate 9.63718

a. Predictors: (Constant), X3, X1, X2 b. Dependent Variable: Y

Merupakan korelasi antara satu data dengan data berikutnya. d < 4- dl dw = 2,626 du = 1,75 (lihat pada tabel Durbin Watson ) dl = 0,82 (lihat pada tabel Durbin Watson ) Pada tabel DW kita dapat melihat hasil pengolahan data yang menunjukan uji Durbin Watson (DW) = 2,626 atau nilai DW lebih kecil dari 4 - dl , disimpulkan bahwa terdapat autokorelasi dalam model regresinya.

3. Heteroskedastisitas
Coefficients
a

Standardized Unstandardized Coefficients Model 1 (Constant) X1 X2 X3 a. Dependent Variable: abresid B 20.192 -.320 .014 .030 Std. Error 4.028 .056 .059 .015 -.839 .035 .283 Coefficients Beta t 5.013 -5.759 .237 1.982 Sig. .000 .000 .817 .073

Dalam pengujian Heteroskedastisitas menggunakan model perhitungan Gletser . Dari tabel diatas dapat dilihat bahwa nilai t-statistik dari seluruh variabel tidak ada yang signifikan secara statistik sehingga dapat disimpulkan bahwa model regresi Y= 49,443 + 0,480X1 0,463X2 + 0,053X3 ini, tidak memiliki masalah heteroskedastisitas. Hipotesis yang digunakan : Ho : i = 0 (Tidak Ada Masalah Heteroskedastisitas) Ha : i 0 (Ada Masalah Heteroskedastisitas) Apabila t0 > ttabel, maka Ho ditolak dan Ha diterima, berarti ada masalah heteroskedastisitas. Sedangkan jika t0 < ttabel=2,201, maka Ho diterima dan Ha ditolak berarti tidak ada masalah heteroskedastisitas.

Collinearity Diagnostics

Variance Proportions Model 1 Dimension 1 2 3 4 a. Dependent Variable: Y Eigenvalue 3.796 .132 .056 .016 Condition Index 1.000 5.367 8.235 15.248 (Constant) .00 .02 .01 .97 X1 .00 .01 .27 .71 X2 .01 .96 .01 .02 X3 .00 .05 .64 .30

Residuals Statistics

Minimum Predicted Value 63.7426

Maximum 85.3075

Mean 74.6667

Std. Deviation 7.02905

N 15

Residual

-14.66452

14.25740

.00000

8.54245

15

Std. Predicted Value

-1.554

1.514

.000

1.000

15

Std. Residual

-1.522

1.479

.000

.886

15

a. Dependent Variable: Y

Charts

Model Summary

Change Statistics Adjusted R Model 1 R .886

a

Std. Error of the Estimate

R Square Change .784 F Change 13.318 df1 3 df2 11 Sig. F Change .001 Durbin-Watson 2.500

R Square .784

Square .725

2.49343

a. Predictors: (Constant), X3, X1, X2 b. Dependent Variable: abresid

ANOVA Model 1 Regression Residual Total Sum of Squares 248.405 68.389 316.794 df

Mean Square 3 11 14 82.802 6.217

F 13.318

Sig. .001
a

a. Predictors: (Constant), X3, X1, X2 b. Dependent Variable: abresid

Collinearity Diagnostics Dimensi Model 1 on 1 2 3 4 Eigenvalue 3.796 .132 .056 .016 Condition Index 1.000 5.367 8.235 15.248 (Constant)

Variance Proportions X1 .00 .01 .27 .71 X2 .01 .96 .01 .02 X3 .00 .05 .64 .30

.00 .02 .01 .97

a. Dependent Variable: abresid

Residuals Statistics Minimum Predicted Value Residual Std. Predicted Value Std. Residual -.3071 -4.41037 -1.700 -1.769 Maximum 13.9220 3.26167 1.678 1.308

Mean 6.8548 .00000 .000 .000

Std. Deviation 4.21227 2.21019 1.000 .886

N 15 15 15 15

a. Dependent Variable: abresid

PARTIAL CORR

/VARIABLES=Y X1 BY X2 X3

/SIGNIFICANCE=TWOTAIL

/MISSING=LISTWISE.

Partial Corr
Correlations Control Variables X2 & X3 Y Correlation Significance (2-tailed) df X1 Correlation Significance (2-tailed) df Y 1.000 . 0 .559 .047 11 X1 .559 .047 11 1.000 . 0

PARTIAL CORR

/VARIABLES=Y X2 BY X3 X1

/SIGNIFICANCE=TWOTAIL

/MISSING=LISTWISE.

Partial Corr
[DataSet0]
Correlations Control Variables X3 & X1 Y Correlation Significance (2-tailed) df X2 Correlation Significance (2-tailed) df Y 1.000 . 0 -.525 .066 11 X2 -.525 .066 11 1.000 . 0

PARTIAL CORR

/VARIABLES=Y X3 BY X1 X2

/SIGNIFICANCE=TWOTAIL

/MISSING=LISTWISE.

Partial Corr
Correlations Control Variables X1 & X2 Y Correlation Significance (2-tailed) df X3 Correlation Significance (2-tailed) df Y 1.000 . 0 .263 .386 11 X3 .263 .386 11 1.000 . 0