You are on page 1of 6

Uji Regresi

Uji regresi adalah uji yang digunakan untuk melihat seberapa besar variabel
yang diteliti mempengaruhi variabel lainnya. Sebelum melakukan uji regresi
langkah pertama yang harus dilakukan sebelum melakukan uji regresi adalah uji
hubungan variabelnya terlebih dahulu. Uji regesi terbagi menjadi 2 yaitu regresi
linear dan logistik. Uji regresi linear digunakan untuk data yang tersebar normal
dengan jenis data numerik. Sedangkan uji logistik adalah uji yang digunakan
untuk data yang tidak tersebar normal dan jenis data kategorik.
1. Uji Regresi Linier
Data yang diunakan untuk uji regresi linier adalah analisis data TKE dan TKP
terhadap BMI. Berikut langkah – langkah untuk menguji data dengan
menggunakan regresi linier. Langkah pertama yaitu klik analyze pada menu bar
 pilih regression  kemudian pilih liner.

Gambar 1 Tahapan Uji Regresi Linier
Selanjutnya akan muncul dialog box linner regression kemudian
masukkan kategori IMT [kat_IMT] pada kolom dependent dan variabel persentase
kecukupan energi dan persentase kecukupan protein pada kolom independent.
Langkah selanjutnya klik plots.

Gambar 3 Dialog Box Linier Regression : Plots . kemudian masukkan kategori *ZRESID ke dalam kolom Y: dan masukkan kategori *ZPRED ke dalam kategori X :  kemudian klik continue.Gambar 2 Dialog Box Linier Regression Setelah memilih plot pada pilihan menu dalam box linier regression kemudian akan muncul dialog box linier regression : plots. Pada kolom dependent terdapat beberapa kategori yang telah tersedia.

1 – 0. Berikut hasil uji anova pada output data SPSS.06% (0. Data pada kolom R square digunakan untuk melihat pengaruh x terhadap y (variabel independent terhadap dependent).5 Data selanjutanya yeng perlu dilihat adalah data pada kolom R square. Error of the Square Estimate . sehingga dapat disimpulkan bahwa variabel TKE dan TKP memberi pengaruh terhadap BMI sebesar 0. Pada kolom R Nilai R uji menyatakan kekuatan hubungannya anatr variabel yang diuji.006 x 100%).dan adjusted R square.47512 a. R square. kategori kuat lemahnya hubungan antara variabel dapat dilihat pada tabel berikut. Sedangakan 100% lainnya dapat dipengaruhi faktor lain. Persentase Kecukupan Energi b.3 Sedang 0. Tabel 2 Kategori Hubungan Uji Regressi Linier Jenis hubungan Nilai Lemah 0.Kemudian setelah memilih continue kembali ke dialog box linier regerssion kemudian klik OK.5 Kuat >0. Dari hasil uji regresi linier menunjukkan bahwa nilai adjusted R square adalah 0.006 Adjusted R Std. Sehingga dari hasil uji dapat disimpulkan kekuatan pengaruh TKE danTKP terhadap BMI lemah dengan nilai (R=0. Predictors: (Constant).077a . . Setelah melihat tabel model summary selanjutnya hasil data output yang dapat dibaca adalah pada tabel ANOVA.3 . Data lain yang perlu dilihat dari hasil uji adalah data pada kolom “adjustet R square” data ini digunakan untuk melihat seberapa besar IMT dapat diprediksi oleh variabel independent yaitu TKE dan TKP. Tabel 1 Output SPSS Model Summary Model Summaryb Model 1 R R Square . Data hasil uji menunukkan nilai R square adalah 0. Persentase Kecukupan Protein.077). Hasil analisa regresi linier antara TKP dan TKE terhadap BMI akan muncul pada output data SPSS.006.000 4.0.000. Dependent Variable: BMI Hasil uji regresi linier dapat dilihat pada tabel model summary dengan melihat kolom R. sehingga dapat disimpulkan bahwa data IMT dapat diprediksi oleh TKE dan TKP sebesar 0%.

647 334 F Sig. jika hasil uji terdapat pengaruh antara TKE dan TKP terhadap BMI maka dari hasil analisa output data akan muncul persamaan liniernya.372a a. Predictors: (Constant). . Persentase Kecukupan Protein. Dibuat skala ordinal dulu Langkah Klik option . Hasil uji menunjukkan bahwa variabel TKE dan TKP tidak memiliki pengaruh terhadap IMT dapat dilihat dari niai signifikan yaitu 0.05).769 2 19. Regresi Logistik Digunakan untukdatanonparametri dan data tidak tersebar normal (kategorik).027 Total 6688.Tabel 3 Output SPSS ANOVA ANOVAb Model 1 Sum of Squares Regression df Mean Square 39.372 (p>0. Hanya dapat membuat 2 katagori saja (variabel kat_status kawin).878 332 20.885 Residual 6648.993 . Dependent Variable: BMI Pada tabel anova data yang dapat dilihat adalah pada kolom sig. Yange menunjukkan pengaruh antara variabel. Persentase Kecukupan Energi b.

000 pada kolom dapat disimpulkan kontribusi status ekonomi dan status kawin terhadap IMT atau BMI adalah sebesar 0.001.0%.Lalu klik OK danlihat output di hasil data Model Summary Step 1 -2 Log likelihood 462.000 a.151a Cox & Snell R Nagelkerke R Square Square .000 . Estimation terminated at iteration number 3 because parameter estimates changed by less than . . Dari data diatas hasil 0.

Kat_StatEko.768 Kat_StatEko -. Datadiatasmenunjukkan niali signifikan 0.129 4.983 .938 . Variable(s) entered on step 1: Kat_statuskawin. Pengaruh variabel dapat Variables in the Equation 95.909 1. Data pada kolom exp B untuk melihat seberapa besar .2.784 .983 . Wald df Sig.637 1.112 .119 Constant a.for EXP(B) B Step 1a S.menunujjkan bahwa status kawnin dan status ekonomi tidak mempengaruhi IMT.792 untuk melihat pengaruh Xterhadap Y.5 .070 1 . Kategori BMI >25 2 Kategori BMI 0-25  1 Kategori status ekonomi 1 kuartil 1.I.792 .006 1 .3 2 kuartil 4.221 . orang dengan status kawin (1) belum menikah memiliki resiko lebih tinggi 0.7 kali beresiko obesitas Dibandingakan orang yang dengan status kain (2)sudah menikah.017 .921 . Exp(B) Lower Upper Kat_statuskawin -.013 1 .243 .E.0% C.517 .