9/6/2021

ANALISIS REGRESI DATA

CROSS SECTION
MENGGUNAKAN SPSS DAN EVIEWS

Kelompok Uji Pada Analisis Regresi

Jenis Regresi Linear OLS ada 2 macam, yaitu: regresi linear sederhana dan
regresi linear berganda.
Regresi Linear sederhana atau disebut dengan simple linear regression,
adalah regresi linear dengan satu variabel bebas dan satu variabel terikat.
Sedangkan regresi linear berganda atau disebut juga dengan multiple linear
regression adalah regresi linear dengan satu variabel terikat dan beberapa
variabel bebas. Arti kata beberapa maksudnya adalah 2 variabel atau lebih
Kelompok Uji Pada Analisis Regresi meliputi 2 kelompok sbb:
1. Uji Asumsi Klasik
2. Uji Goodness of Fit (Uji Kelayakan Model)

1
 9/6/2021

UJI ASUMSI KLASIK

• Uji Asumsi klasik adalah analisis yang dilakukan untuk menilai apakah di
dalam sebuah model regresi linear Ordinary Least Square (OLS) terdapat
masalah-masalah asumsi klasik.
• Regresi linear OLS adalah sebuah model regresi linear dengan metode
perhitungan kuadrat terkecil atau yang di dalam bahasa inggris disebut
dengan istilah ordinary least square. Di dalam model regresi ini, ada
beberapa syarat yang harus dipenuhi agar model peramalan yang dibuat
menjadi valid sebagai alat peramalan. Syarat-syarat tersebut apabila
dipenuhi semuanya, maka model regresi linear tersebut dikatakan BLUE.
BLUE adalah singkatan dari Best Linear Unbiased Estimation.
• Asumsi klasik adalah syarat-syarat yang harus dipenuhi pada model
regresi linear OLS agar model tersebut menjadi valid sebagai alat
penduga.

Uji Asumsi Klasik Pada

Regresi Linear Berganda
Asumsi klasik pada regresi linear berganda antara lain:
1. Uji Linearitas,
2. Uji Normalitas,
3. Uji Heteroskedastisitas,
4. Uji Outlier,
5. Uji Multikollinearitas,
6. Uji Autokorelasi (Hanya untuk data time series atau runtut waktu).

2
 9/6/2021

Uji Normalitas
• Uji Normalitas adalah sebuah uji yang dilakukan dengan tujuan untuk menilai
sebaran data pada sebuah kelompok data atau variabel, apakah sebaran data
tersebut berdistribusi normal ataukah tidak.
• Uji Normalitas berguna untuk menentukan data yang telah dikumpulkan
berdistribusi normal atau diambil dari populasi normal. Metode klasik dalam
pengujian normalitas suatu data tidak begitu rumit. Berdasarkan pengalaman
empiris beberapa pakar statistik, data yang banyaknya lebih dari 30 angka (n >
30), maka sudah dapat diasumsikan berdistribusi normal. Biasa dikatakan sebagai
sampel besar.
• Namun untuk memberikan kepastian, data yang dimiliki berdistribusi normal atau
tidak, sebaiknya digunakan uji 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. uji statistik normalitas yang dapat digunakan diantaranya Chi-
Square, Kolmogorov Smirnov, Lilliefors, Shapiro Wilk, Jarque Bera.

Uji Normalitas dengan Kolmogorov-Smirnov test

Tampilan Kolmogorov-Smirnov test, Dasar Pengambilan Keputusan dalam
dengan SPSS Uji Normalitas K-S

3
 9/6/2021

Langkah Uji Normalitas dengan K-S Test

K-S Test Lanjutan

4
 9/6/2021

K-S Test Lanjutan

Uji Normalitas dengan

Grafik Histogram dan P-Plot SPSS
Dengan menggunakan langkah
yang sama dari pengolahan data,
sampai ke pada perintah :
Analyze  Regression  Linear
 Plot
Kemudian centang pada
Standardized Residual Plots :
Histogram dan Normal Probaility
Plot

5
 9/6/2021

Hasil Grafik Histogram dan P-Plot SPSS

Uji Heteroskedasitas

6
 9/6/2021

Langkah-langkah Uji Heteroskedasitas

Langkahnya sama dengan uji normalitas sampai pada proses unstandardized (langkah 1 - 6)

Langkah Berikut Uji Hetero

7
 9/6/2021

Langkah Berikut Uji Hetero

Langkah Berikut Uji Hetero

Dari hasil di atas terlihat semua nilai Sig dari

variabel X1, X2, X3 dan X4 nilainya lebih besar
dari 0,05 berarti tidak terjadi heteroskedasitas

8
 9/6/2021

Uji Multikolinearitas

Langkah-langka Uji Multikolinearitas

Sama dengan langkah sebelumnya kemudian masuk ke proses berikut :
Analyse  Regression  Linear  Statistic

9
 9/6/2021

Hasil Pengujian sendiri

Dari hasil uji multikol di atas terlihat nilai Tol semua variabel X adalah lebih besar dari 0,1 dan
nilai VIF lebih kecil dari <10, maka dengan demikian tidak terjadi gejala multikolinearitas

Uji Goodness Of Fit pada Regresi Linear

Berganda
• Goodness of fit model statistik menggambarkan seberapa baik model itu
cocok dengan serangkaian pengamatan yang dilakukan. Ukuran goodness
of fit biasanya meringkas perbedaan antara nilai yang diamati dan nilai
yang diharapkan dalam model tersebut. Langkah-langkah tersebut dapat
digunakan dalam menentukan validitas hasil pengujian hipotesis statistik.
• Goodness of fit yang biasanya di singkat dengan GOF pada model regresi
mempertanyakan seberapa baik model tersebut mampu menghasilkan
estimasi yang sesuai dengan nilai aktualnya. Ukuran umum dari GOF yang
umum digunakan dalam model regresi adalah proporsi varians (sampel)
yang dapat dijelaskan oleh model. Ukuran ini dinamakan R2 (R Square).
• R2 adalah koefisien determinasi yang merupakan ukuran proporsi variasi
variabel terikat yang mampu dijelaskan oleh varabel bebasnya. Koefisien ini
merupakan rasio antara koefisien regresi kuadrat (SSR) dengan jumlah total
koefisien kuadrat (SST).

10
 9/6/2021

Lanjutan Pengertian
• Bila nilai R2 sebesar 0,69 atau 69% maka itu berarti bahwa variasi nilai variabel terikat ditentukan
oleh variabel bebas sebesar 69%. Sedangkan sisa 31% variasi nilai variabel terikat ditentukan oleh
variabel lain di luar variabel bebas model regresi tersebut. Koefisien determinasi (R2) ini sering
juga disebut dengan koefisien pengaruh.
• Tidak ada ukuran yang pasti mengenai berapa besar nilai R2 sehingga suatu model dapat
dikatakan bagus atau memenuhi kriteria GOF. Ada yang berpendapat bahwa nilai R2 minimal 60%
adalah ideal, ada pula yang mengatakan setidaknya 50%. Namun, ada juga yang mengatakan nilai
20% sudah memenuhi untuk penelitian sosial.
• Sebenarnya pendapat mereka bisa jadi semuanya benar. Nilai determinasi 60% sangat beralasan
bila model tersebut digunakan untuk mengestimasi nilai variabel dependen, bagaimana estimasi
kita menjadi akurat bila koefisien determinasi di bawah 50%. Bila model tersebut kita paksakan
untuk melakukan estimasi maka sangat dimungkinkan nilai taksirannya mempunyai tingkat
kesalahan yang tinggi.
• Sebaliknya, jika niai koefisien pengaruh hanya sebesar 20% maka bisa dibayangkan bagaimana
jarak nilai estimasi dan nilai aktualnya. Lalu bagaimana dengan pendapat bahwa 20% saja bisa jadi
cukup?. Pada penelitian sosial sebagian besar tujuannya tidak untuk memprediksi nilai variabel
dependen, melainkan untuk melihat signifikansi pengaruh variabel independen terhadap variabel
dependen. Jadi, walaupun nilai R2 hanya sebesar 20% namun signifikan secara statistik (uji F)
model masih dianggap baik, namun kurang akurat bila digunakan untuk melakukan estimasi.

Lanjutan
Jadi setidaknya ada 3 hal yang harus kita lihat bersama-sama dalam setiap model. Ketiga hal itu
adalah:
1. Nilai R2
Besaran nilai R2 sebaiknya cukup besar, untuk prediksi setidaknya 50% dan untuk melihat signifikansi pengaruh
nilainya cukup relatif mungkin 20% sudah cukup. Namun tetap kita lihat nilai signifikansinya (uji F).
2. Hasil Uji F
Hasil uji F inilah yang bisa kita jadikan pedoman bahwa kontribusi variabilitas variabel independen terhadap
variabilitas variabel dependen nyata atau tidak. Bila hasil uji F menyatakan bahwa variabel independen
mempunyai determinasi signifikan terhadap variabel dependen maka besaran nilai R2 tidak sepenuhnya
dijadikan pedoman, karena bisa saja sebuah model dengan R2 sebesar 30% namun uji F nya tidak signifikan,
namun di model lain R2 sebesar 20% uji F nya signifikan. Nah, biasanya uji F inilah yang menjadi parameter
utama uji GOF. Uji F ini juga disebut sebagai uji global.
3. Hasil Uji t
Uji t adalah uji statistik yang digunakan untuk melihat kontribusi setiap variabel independen pada perubahan
variabel dependen secara parsial. Pada model regresi berganda uji parsial ini perlu dilakukan untuk melihat
pengaruh masing-masing variabel ini signifikan apa tidak. Hasil uji t ini juga sangat penting untuk diperhatikan
dalam kriteria GOF, karena bisa jadi pada suatu model mempunyai koefisien determinasi yang besar dan uji F
yang signifikan namun secara parsial sebagian besar variabelnya tidak mempunyai pengaruh signifikan. Bila hal
ini terjadi maka ada indikasi kuat bahwa model tersebut bermasalah sehingga hasil estimasinya berpotensi tidak
akurat.

11
 9/6/2021

Lanjutan
• Dari pembahasan ketiga hal tadi kita bisa menentukan bagaimana ciri-ciri model
yang memenuhi kriteria GOF. Kita bisa saja hanya melihat salah satu parameter
atau kombinasi dari ketiganya. Tentunya dengan konsekuensinya masing-masing.
Maka langkah paling aman adalah dengan melihat ketiga parameter sekaligus,
yaitu model yang memenuhi kriteria GOF adalah model yang nilai koefisien
determinasi (R2) cukup besar, hasil uji F yang signifikan, dan sebagian besar
variabel independen mempunyai pengaruh yang signifikan (sebagian besar uji t
signifikan).
• Nah, bila model regresi kita sudah memenuhi kriteria GOF maka model ini bisa
dikatakan mempunyai estimasi yang tidak bias, atau minimal simpulan model ini
bisa kita percaya. Walaupun demikian bukan berarti model ini adalah model
terbaik. Untuk mendapatkan model ini adalah model terbaik kita harus
membandingkan dengan spesifikasi model lain atau model alternatif. Disamping
itu kita wajib pula melihat asumsi-asumsi regresi terpenuhi atau tidak. Bila sudah
terpenuhi maka model tersebut layak dikatakan sebagai best linier unbiased
estimator (BLUE).

Hasil Pengujian

Tabel output “Variables Entered/Removed”

disamping memberikan informasi tentang
variabel penelitian serta metode yang digunakan
dalam analisis regresi. Adapun variabel
independent yang dipakau dalam analisis ini
adalah variabel Minat Belajar, Intensitas
Mengajar Guru, Gaya Mengajar, dan Motivasi
Siswa. Sementara variabel dependen adalah
Konsentrasi Belajar. Analisis Regresi
menggunakan metode Enter. Tidak ada variabel
yang dibuang sehingga pada kolom variables
Removed tidak ada angkanya atau kososng

12
 9/6/2021

Berdasarkan Nilai Signifikansi (Sig.) dari Output Anova

1. Jika nilai Sig. < 0,05, maka hipotesi diterima. Artinya Minat Belajar (X1), Intensitas Mengajar Guru (X2),
Gaya Mengajar (X3), dan Motivasi Siswa (X4), secara simultan berpengaruh terhadap Konsentrasi
Belajar (Y).
2. Jika nilai Sig. > 0,05, maka hipotesi ditolak. Artinya Minat Belajar (X1), Intensitas Mengajar Guru (X2),
Gaya Mengajar (X3), dan Motivasi Siswa (X4), secara simultan tidak berpengaruh terhadap Konsentrasi
Belajar (Y).

13
9/6/2021

14