STATISTIKA

PERTEMUAN 7
ANALISIS REGRESI LINIER BERGANDA
MENGGUNAKAN APLIKASI MINITAB

Dosen Pengampu :
DEDI SUCAHYONO, S.Si, M.Si
 DATA INDEK PENGUAPAN GRID 4, 5, 6 DAN 7 SAMUDERA HINDIA SERTA HUJAN DI STAMET TABING-SUMBAR

Tahun Bulan Indeks Penguapan Hujan Tahun Bulan Indeks Penguapan Hujan
Grid 4 Grid 5 Grid 6 Grid 7 (mm) Grid 4 Grid 5 Grid 6 Grid 7 (mm)
1991 1 4.3801689 6.2477904 5.282412 3.714587 532 1996 1 1.2837976 2.55 3.363413 2.947815 413
2 1.7622089 2.9809907 3.836398 3.721022 235 2 2.7479737 2.5535986 2.154603 1.363093 345
3 1.9799881 1.5428021 1.508003 1.692004 535 3 4.3086284 4.3680101 4.107632 3.49738 373
4 4.9531971 3.4560241 2.549796 2.2825 240 4 4.9032083 3.5738244 2.361696 1.761204 46
5 1.3580017 1.1681928 0.731398 0.151899 208 5 5.3591942 3.4200001 2.049619 1.594603 27
6 0.4861987 0.7297995 0.662399 0.672007 211 6 2.7170348 1.1008008 0.117599 0.2475 484
7 3.095193 3.0575803 2.633073 2.111118 302 7 6.1759767 3.9424219 2.354628 1.126399 296
8 2.1525191 3.1524073 2.988215 2.209807 227 8 3.8843187 1.2283078 0.0633 0.106799 327
9 0.8387952 0.4175958 0.1687 0.907805 259 9 5.6290922 3.5930776 2.494819 1.747991 334
10 1.8544018 2.0357968 0.828799 1.035997 308 10 8.0351758 6.585691 5.653903 4.39401 537
11 2.9648014 3.7520324 4.210383 4.790509 594 11 6.957634 5.5695142 4.9 4.174795 186
12 2.2769988 1.7774963 0.978594 0.744801 566 12 9.2582192 8.1840361 5.728825 3.060184 314
1992 1 1.074198 0.1763992 0.0245 0 88 1997 1 0.5856006 1.6973941 2.762108 2.325318 58
2 0.2071997 1.168404 2.022398 2.188291 575 2 1.7340125 2.4196045 3.21 2.412407 36
3 4.5617033 4.4783791 4.171165 4.043994 278 3 0.761402 0.2880005 1.958398 3.191986 158
4 6.3251724 4.5269222 3.292933 2.851402 523 4 4.0626023 3.4350128 3.15 3.311011 328
5 5.0309855 2.9381817 2.219611 2.558391 480 5 6.7895866 5.1972484 3.590988 2.297101 565
6 3.7407617 2.0279968 1.402496 1.184395 216 6 0.9551953 1.0043921 1.187988 1.349991 86
7 2.8375244 1.9019245 1.491003 1.685999 301 7 3.1979699 3.3950043 3.176794 2.613199 249
8 3.0019904 2.6554363 3.502968 3.766931 464 8 4.7213652 4.6871631 4.59198 3.928505 45
9 4.5311718 3.8199999 4.107632 3.890701 241 9 4.7837508 5.1914501 4.803929 2.803184 38
10 5.7420585 4.9196551 4.679993 4.424289 531 10 6.0599999 4.676076 2.734794 0.300999 7
11 1.9124908 0.6233051 1.468787 0.350998 309 11 3.9885207 3.4989862 1.879206 0.081 122
12 4.6812816 4.3488829 2.932808 1.831194 417 12 2.3851984 1.5308011 0.35 0.252003 456
1993 1 5.1264086 5.2265955 5.023192 4.425 366 1998 1 0.383999 0.446402 1.411211 2.032007 380
2 5.4775978 5.8353627 5.778247 4.95 197 2 0.7263965 0.2844031 1.185599 1.675611 191
3 5.9057951 4.653012 3.124189 2.898695 433 3 0.9399014 0.9320068 1.635215 2.459991 312
4 8.6727784 7.2874832 5.195938 4.833375 416 4 1.561091 0.4773962 0.1146 0.705002 231
5 5.0975686 3.1442329 1.837015 1.993591 585 5 5.9564778 3.4883972 1.638029 0.95521 250
6 5.9245531 3.8408763 2.261987 1.32811 230 6 4.0279868 2.1750259 1.278403 1.069197 544
7 6.0858472 4.0544906 2.76123 1.669788 309 7 7.6230421 4.9631414 3.30053 1.695996 427
8 2.64409 1.2600001 0.776108 0.889003 89 8 0.9407959 0.0979996 0.493501 0 798
9 0.8768982 0.1361993 0.0988 0.513001 490 9 1.0878009 0.2272021 0.390597 0.812803 801
10 1.9920166 0.1912012 0.174299 0.972395 481 10 5.8575134 4.5747163 4.129613 3.247986 507
11 8.3848413 7.6375198 6.839982 6.254997 617 11 9.0725174 8.0981204 7.412417 6.596809 499
12 9.5657286 8.2012792 6.266208 4.92343 473 12 8.8425002 8.0005733 7.192022 6.571181 725
1994 1 7.5400179 7.2371037 5.829239 4.112012 239 1999 1 9.4622527 9.5951359 8.947071 7.811796 549
2 4.9081978 4.3946604 3.805183 3.182401 386 2 4.7288136 4.8585524 4.524014 3.945586 443
3 6.626426 5.1683681 3.541971 2.516386 232 3 6.8888735 5.9904495 4.445986 3.444031 283
4 6.1256031 5.1492799 4.02 3.837634 180 4 9.0287845 6.1231959 4.445 3.654682 185
5 0.0657001 0.3648025 0.353998 0.0235 110 5 0.7956079 1.0812045 0.567505 0.295001 153
6 0.0587997 0.7219977 0.993603 0.794998 366 6 0.6611996 0.5278076 0.067799 0.167999 247
7 3.1218172 2.6510041 2.60302 2.713184 171 7 0.5423074 0.622804 1.260801 1.701887 150
8 5.683203 5.1612216 4.547155 3.182397 71 8 4.6689752 4.9050002 4.162371 2.908799 156
9 5.7855467 5.4491973 3.904434 2.312979 85 9 6.7423706 6.494436 5.508052 3.107986 426
10 5.4281818 4.3833654 2.047481 0.265197 9 10 2.0908987 1.4544141 1.62 1.945415 752
11 0.7452027 1.8677912 3.601025 4.787959 478 11 8.0079336 7.0090448 5.781051 5.146514 235
12 5.6718428 6.1787804 6.149034 5.036167 434 12 7.5824997 7.292708 5.945837 4.250204 393
1995 1 4.5521961 4.8146065 4.442206 3.798992 412 2000 1 2.1337897 1.2359986 1.055008 1.680195 255
2 1.3545044 1.7202045 1.893604 1.77 215 2 1.7003942 1.6650009 1.814392 1.493097 74
3 4.9524765 4.776996 4.997952 5.080905 200 3 3.6539575 1.8704947 1.127493 1.073101 127
4 4.8006161 3.7598852 2.61061 2.483108 306 4 7.2224073 4.7459448 3.030343 1.78188 273
5 3.682771 2.3875046 1.441998 1.155 424 5 3.535808 3.1878176 3.066827 2.758795 211
6 5.183191 3.0780395 1.948827 1.390799 456 6 6.1769652 5.0464647 4.163387 3.330002 229
7 2.8541704 1.7574768 0.926999 0.186901 336 7 4.2579547 3.0527929 2.760798 2.251799 209
8 1.5899963 2.5167838 2.83217 2.33051 492 8 0.1890015 0.7567871 1.373395 1.381801 251
9 2.7359986 1.0240982 0.382397 0.090601 393 9 2.4989711 2.811991 2.224797 0.968995 428
10 4.7432533 4.2435949 4.670567 4.827618 445 10 6.2424698 4.2157688 3.382385 3.135627 470
11 9.6389706 8.0318774 7.218181 6.100855 581 11 8.1899227 7.8692149 8.199182 7.31643 826
12 6.8474731 6.2483782 4.958972 3.182426 482 12 6.2824998 6.4327833 6.472232 5.805564 674
 ANALISIS REGRESI BERGANDA
Indek
Curah Hujan Penguapan

Grid_4
Grid_5
Grid_6
Grid_7
Apakah Kecenderungan Hujan
Hanya Berhubungan dengan
Penguapan di Satu Wilayah (Grid)
saja ???

TIDAK

Perlu Ditinjau Juga Dari Beberapa Wilayah (Grid) Lainnya

REGRESI BERGANDA
 MODEL
REGRESI BERGANDA LINEAR
Y   0  1 X 1   2 X 2     k X k    mod el dalam teori

Yˆ  b0  b1 X 1  b2 X 2  b3 X 3  b4 X 4  mod el dalam praktek

0 , 1 ,  2 , ,  k parameter – parameter tetap tetapi tidak diketahui

X1, X 2 , , X k diukur tanpa galat (kesalahan)

 variabel random yang menyebar secara normal di sekitar nol dan mempunyai ragam V
dimana  ~ NID(0,V )

b0 , b1 , b2 , , bk adalah penaksir 0 , 1,  2 , ,  k (merupakan variabel random)

X 1 , X 2 , X 3 , X 4 Indek penguapan Grid4, Grid5, Grid6, Grid7 (diukur tanpa galat)

Yˆ Nilai dugaan curah hujan

 Interpretasi Multiple Regresi Linier Menggunakan MINITAB
Review :
Regresi linear berganda memiliki syarat yang harus terpenuhi yaitu “asumsi klasik”, yang
meliputi : (1) Normalitas, (2) Heteroskedastisitas, (3) Multicollinearitas dan (4) Autokorelasi.

Membaca Output Histogramnya :

(1) “Normalitas” Residual :
Gambar (A)
Gambar (A) adalah histogram residual. Mengapa residual
yang dibuatkan histogramnya ? karena asumsi normalitas
pada regresi linear berganda adalah variabel residual
harus berdistribusi normal.

Apakah Residual itu ?

Adalah perbedaan antara variabel dependen atau Y
dengan Y prediksi. Yang dimaksud dengan Y prediksi
adalah nilai Y berdasarkan hasil persamaan regresi.
Dalam output minitab ini juga dapat dilihat nilai Y prediksi
dalam worksheet di mana ada variabel baru yang
bernama Fits1.

Residual dinyatakan berdistribusi normal apabila histogram menyerupai lonceng

menghadap ke bawah. Apabila anda ingin mendapatkan hasil meyakinkan dapat melakukan
uji normalitas pada variabel residual dengan cara lain (Normalitas Pada Minitab)
Cara lain melihat normalitas adalah dengan menggunakan diagram “Normal
Probability Plot” (Gambar B) :
Gambar (B)

Dapat disimpulkan berdistribusi normal apabila plot mengikuti garis lurus.

Berdasarkan Gambar (A) dan (B) dapat disimpulkan bahwa :
residual berdistribusi normal.
(2) “Heteroskedastisitas” :
Gejala heteroskedastisitas dapat ditentukan dengan diagram scatter antara variabel Y prediksi (Fits)
dengan variabel residual. Dapat disimpulkan “tidak ada gejala heteroskedastisitas” apabila plot
menyebar merata di atas dan di bawah sumbu 0 tanpa membentuk sebuah pola tertentu. (Gambar C)
Gambar (C)
Berdasarkan Gambar (C) dapat disimpulkan
bahwa tidak terdapat gejala
heteroskedastisitas.

(3) “Multikolinearitas” :
Untuk mendeteksi adanya gejala multikolinearitas dapat dilihat nilai “VIF” pada hasil output
regresi analisis. Dikatakan tidak ada gejala multikolinearitas apabila “VIF < 5”. Hasil output
menunjukan VIF 14,015; 56,024; 55.219 dan 13,830 (lebih dari 5) maka “ada gejala
multikolinearitas”.
(4) “Autokorelasi” :
Untuk mendeteksi adanya gejala autokorelasi yaitu dengan melihat nilai “Durbin-Watson”
statistics pada output regresi analisis, yaitu 1,42624. Nilai tersebut dapat menyimpulkan
bahwa “tidak terdapat gejala autokorelasi” (Durbin Watson Tabel)
 Hasil Statistik Analisis Multiple Regresi
Regression Analysis : Y versus X1, X2, X3, X4
The regression equation is :
Y = 240 + 28.8 X1 - 35.1 X2 - 33.3 X3 + 79.1 X4
Predictor Coef SE Coef T P VIF
Constant 240.04 32.41 7.41 0.000
X1 28.75 23.08 1.25 0.215 14.015
X2 -35.10 51.89 -0.68 0.500 56.024
X3 -33.34 58.95 -0.57 0.573 55.219
X4 79.11 33.82 2.34 0.021 13.830
S = 173.186 R-Sq = 14.5% R-Sq(adj) = 11.5%
Analysis of Variance :
Source DF SS MS F P
Regression 4 583066 145767 4.86 0.001
Residual Error 115 3449247 29993
Total 119 4032313
Source DF Seq SS
X1 1 138783
Durbin-Watson statistic = 1.42624
X2 1 9052 No evidence of lack of fit (P >= 0.1)
X3 1 271081
X4 1 164150
9
 Kesimpulan Hasil Analisis Multiple Regresi
Setelah asumsi klasik di atas semua terpenuhi, selanjutnya masuk pada
kesimpulan inti dari “uji regresi linear berganda”.
“Uji F Regresi” :
Untuk menentukan “apakah secara serentak semua variabel independen mempunyai
pengaruh yang bermakna terhadap variabel dependen” dapat dilihat dari nilai “uji F”.
Disimpulkan “ada pengaruh apabila nilai P value kurang dari batas kritis penelitian atau
alpha”. Pada uji ini (output regresi), nilai P Regression pada Analysis of Variance sebesar
0,001 ( < 0,05 ) maka disimpulkan bahwa “secara simultan variabel independen
mempunyai pengaruh bermakna terhadap variabel dependen”.
“T Parsial” :
Digunakan untuk mengetahui “apakah variabel independen yang di dalam model regresi
mempunyai pengaruh secara individu terhadap variabel dependen” dengan
memperhatikan keberadaan variabel lain di dalam model. Nilai t parsial dapat dilihat melalui
“nilai t pada output regresi”. Dinyatakan “ada pengaruh parsial apabila nilai p value (P)
kurang dari batas kritis penelitian atau alpha”. Hasil menunjukan variabel independen nilai
p value t parsial untuk constanta dan X4(Grid7) adalah < 0,05 (0,000; 0,021), maka “ada
pengaruh secara individu terhadap Y” dengan memperhatikan variabel lain. Sedangkan
untuk variabel X1(Grid4), X2(Grid5), dan X3(Grid6) adalah > 0,05 (0,215; 0.500; dan 0,573),
maka “tidak ada pengaruh secara individu terhadap Y”
10
“Persamaan Regresi” :
Untuk membuat persamaan regresi maka kita menggunakan nilai koefisien beta variabel
independen dengan cara melihat nilai Coef pada output regresi atau pada worksheet
(ada variabel baru disebelah kanan residual dengan nama (COEF1).
Secara berurutan dari atas ke bawah :
Constanta : 240.04
X1: 28.75
X2: -35.10
X3: -33.34
X4: 79.11

Atau mudahnya dapat langsung dilihat melalui “The regression equation is” pada output
regresi analisis, yaitu :
Y = 240 + 28.8 X1 - 35.1 X2 - 33.3 X3 + 79.1 X4

Persamaan di atas dapat disimpulkan sebagai berikut :

Apabila variabel lain bernilai “konstan” maka Nilai Y akan berubah dengan sendirinya
sebesar nilai konstanta yaitu 240,0.
Jika variabel lain “tidak konstan” maka Nilai Y akan berubah sebesar 28.8 setiap satu
satuan X1; Nilai Y akan berubah sebesar -35.1 setiap satu satuan X2; dan Nilai Y akan
berubah sebesar -33.3 setiap satu satuan X3; dan Nilai Y akan berubah sebesar 79.1
11
setiap satu satuan X4.
“R Square” :
Ditunjukkan dengan “nilai R-Sq” pada uji ini nilainya dapat dilihat pada output regresi
yaitu sebesar 14,5% artinya variabel Y dapat dijelaskan oleh sekelompok variabel
independen x1, x2, x3, dan x4 secara serentak atau simultan sebesar 14,5% sedangkan
sisanya 85,5% (100% -14,5%) dijelaskan oleh variabel lain di luar model yang tidak
diteliti.

“Standart Error of Estimate (SEE)” :

Digunakan untuk mengetahui “apakah model regresi dinyatakan valid sebagai model
prediksi”. Pada minitab dapat dilihat dengan “nilai S pada output regresi” yang dalam uji
ini sebesar 173.186. Selanjutnya, nilai SEE ini “dibandingkan dengan standart deviasi
variabel dependen atau Y”. Dinyatakan “model valid sebagai model prediksi apabila nilai
SEE < nilai standart deviasi Y”. Untuk mendapatkan nilai standart deviasi Y dapat
dilakukan dengan “uji deskriptif pada minitab”.

Hasil perhitungan standard deviasi variabel dependen Y (curah hujan Stamet Tabing)
adalah 184.0787. Dengan demikian, persamaan regresi tersebut “valid untuk dijadikan
model prediksi variabel dependen Y” ( 173.186 < 184.0787 ).

12
Contoh Multiple Regresi Unsur Cuaca dan Hama

Contoh : Data Cuaca dan Intensitas Serangan Hama Pada Varietas

Jagung BISI_16
Pengamatan Intenstas Serangan (%) Unsur Cuaca
Ke- Belalang Lalat Bibit Suhu(0C) Kelembaban (%) Curah Hujan (mm)
1 0.0 0.0 27.2 82.5 0
2 2.0 2.7 27.0 84.8 15.3
3 3.6 3.5 28.3 81.1 47
4 4.3 3.5 26.3 88.8 78.5
5 4.0 3.5 25.5 82.1 0
6 5.2 3.8 25.5 82.3 0
7 5.6 3.8 26.0 80.5 0
8 6.0 3.8 25.7 82.1 0
9 6.7 4.5 25.2 77.6 2
10 6.7 4.5 24.3 79.9 0
11 7.2 4.5 24.9 76.1 0
12 7.2 4.5 25.0 81.8 0
13 7.2 4.5 25.2 83.5 0
14 7.2 4.5 26.1 80.6 0

Analisis Multiple Regresi menggunakan software Minitab, dengan variabel

independen adalah unsur cuaca yaitu Suhu (X1), Kelembaban (X2), dan
Curah Hujan (X3), sedangkan variabel dependen adalah Intensitas
Serangan dari Hama Belalang (Y)
13
 Hasil Statistik Analisis Multiple Regresi
Regression Analysis : Y versus X1, X2, X3
The regression equation is
Y = 68.0 - 1.60 X1 - 0.266 X2 + 0.0304 X3
Predictor Coef SE Coef T P VIF
Constant 67.97 17.96 3.78 0.004
X1 -1.5992 0.4634 -3.45 0.006 1.352
X2 -0.2660 0.1785 -1.49 0.167 1.637
X3 0.03042 0.02479 1.23 0.248 1.903
S = 1.51972 R-Sq = 63.4% R-Sq(adj) = 52.5%
Analysis of Variance
Source DF SS MS F P
Regression 3 40.060 13.353 5.78 0.015
Residual Error 10 23.096 2.310
Total 13 63.156
R denotes an observation with a large standardized residual.
X denotes an observation whose X value gives it large leverage.

Durbin-Watson statistic = 0.809636

14
 Interpretasi Analisis Multiple Regresi (MINITAB)
Histogram
(A) (response is Y) Interpretasi Regresi Linear Berganda dengan
4
Minitab :
3

Review : bahwa regresi linear berganda memiliki syarat yang

Frequency

2
harus terpenuhi yaitu asumsi klasik. Asumsi klasik tersebut
1
antara lain : Normalitas regresi linier berganda,
Heteroskedastisitas, multicollinearitas dan autokorelasi.
0
-3 -2 -1 0 1 2
Residual
Langsung dibaca outputnya !
(B) Normal Probability Plot
(response is Y)
99 Normalitas Residual :
95 Gambar (A) adalah histogram residual. Mengapa residual yang
90

80 dibuatkan histogram? karena asumsi normalitas pada regresi

70
linear berganda adalah variabel residual harus berdistribusi
Percent

60
50
40
30
20
normal.
10

1
Apakah residual itu ?
-3 -2 -1 0
Residual
1 2 3
Adalah perbedaan antara variabel dependen atau Y dengan
Y prediksi. Yang dimaksud dengan Y prediksi adalah nilai Y
(C) Versus Fits
(response is Y)
berdasarkan hasil persamaan regresi. Dalam output minitab ini
3
juga dapat dilihat nilai Y prediksi dalam worksheet di mana ada
2
variabel baru yang bernama Fits1.
1
Residual

0
Residual dinyatakan berdistribusi normal apabila histogram
-1 menyerupai bel menghadap ke atas. Apabila anda ingin
-2 mendapatkan hasil meyakinkan dapat melakukan uji normalitas
-3 pada variabel residual dengan cara lain (Normalitas Pada
15 2 3 4 5 6 7 8
Fitted Value
Minitab)
Cara lain dengan menggunakan diagram “Normal Probability Plot” (Gambar B) :
Dapat disimpulkan berdistribusi normal apabila plot mengikuti garis lurus.
Berdasarkan Gambar (A) dan (B) dapat disimpulkan bahwa residual berdistribusi
normal.
“Heteroskedastisitas” :
Gejala heteroskedastisitas dapat ditentukan dengan diagram scatter antara
variabel Y prediksi (Fits) dengan variabel residual. Dapat disimpulkan “tidak ada
gejala heteroskedastisitas” apabila plot menyebar merata di atas dan di bawah
sumbu 0 tanpa membentuk sebuah pola tertentu. Berdasarkan Gambar (C) dapat
disimpulkan bahwa tidak terdapat gejala heteroskedastisitas.
“Multikolinearitas” :
Untuk mendeteksi adanya gejala multikolinearitas dapat dilihat nilai “VIF” pada
hasil output regresi analisis. Dikatakan tidak ada gejala multikolinearitas apabila
“VIF < 5”. Hasil output menunjukan VIF 1,352; 1,637 dan 1,903 (kurang dari 5)
maka “tidak ada gejala multikolinearitas”.
“Autokorelasi” :
Untuk mendeteksi adanya gejala autokorelasi yaitu dengan melihat nilai “Durbin-
Watson” statistics pada output regresi analisis, yaitu 0,809636. Nilai tersebut dapat
menyimpulkan bahwa “tidak terdapat gejala autokorelasi” (Durbin Watson Tabel)
16
 Hasil Analisis Multiple Regresi
Setelah asumsi klasik di atas semua terpenuhi, selanjutnya masuk pada
kesimpulan inti dari “uji regresi linear berganda”.
“Uji F Regresi” :
Untuk menentukan “apakah secara serentak semua variabel independen
mempunyai pengaruh yang bermakna terhadap variabel dependen” dapat
dilihat dari nilai “uji F”. Disimpulkan “ada pengaruh apabila nilai P value kurang
dari batas kritis penelitian atau alpha”. Pada uji ini (output regresi), nilai P
Regression pada Analysis of Variance sebesar 0,015 ( < 0,05 ) maka disimpulkan
bahwa “secara simultan variabel independen mempunyai pengaruh bermakna
terhadap variabel dependen”.
“T Parsial” :
Digunakan untuk mengetahui “apakah variabel independen yang di dalam model
regresi mempunyai pengaruh secara individu terhadap variabel dependen”
dengan memperhatikan keberadaan variabel lain di dalam model. Nilai t parsial
dapat dilihat melalui “nilai t pada output regresi”. Dinyatakan “ada pengaruh
parsial apabila nilai p value (P) kurang dari batas kritis penelitian atau alpha”.
Hasil menunjukan variabel independen nilai p value t parsial untuk constanta
dan suhu < 0,05 (0,004 dan 0,006), maka “ada pengaruh secara individu
terhadap Y” dengan memperhatikan variabel lain. Sedangkan untuk variabel
kelembaban dan curah hujan > 0,05 (0,167 dan 0,248), maka “tidak ada
pengaruh
17 secara individu terhadap Y”
 Kesimpulan Analisis Multiple Regresi
“Persamaan Regresi” :
Untuk membuat persamaan regresi maka kita menggunakan nilai koefisien beta
variabel independen dengan cara melihat nilai Coef pada output regresi atau
pada worksheet (ada variabel baru disebelah kanan residual dengan nama
(COEF1). Secara berurutan dari atas ke bawah :
Konstanta: 67,97
X1: -1,5992
X2: -0,2660
X3: 0,03042

Atau mudahnya dapat langsung dilihat melalui “The regression equation is”
pada output regresi analisis, yaitu :
Y = 68.0 - 1.60 X1 - 0.266 X2 + 0.0304 X3

Persamaan di atas dapat disimpulkan sebagai berikut :

Apabila variabel lain bernilai “konstan” maka Nilai Y akan berubah dengan
sendirinya sebesar nilai konstanta yaitu 68,0.
Jika variabel lain “konstan” maka Nilai Y akan berubah sebesar -1,60 setiap satu
satuan X1; Nilai Y akan berubah sebesar -0,266 setiap satu satuan X2; dan Nilai Y
akan berubah sebesar 0,0304 setiap satu satuan X3.
18
“R Square” :
Ditunjukkan dengan “nilai R-Sq” pada uji ini nilainya dapat dilihat pada output
regresi yaitu sebesar 63,4% artinya variabel Y dapat dijelaskan oleh sekelompok
variabel independen x1, x2 dan x3 secara serentak atau simultan sebesar 63,4%
sedangkan sisanya 36,6% (100% -63,4%) dijelaskan oleh variabel lain di luar
model yang tidak diteliti.

“Standart Error of Estimate (SEE)” :

Digunakan untuk mengetahui “apakah model regresi dinyatakan valid sebagai
model prediksi”. Pada minitab dapat dilihat dengan “nilai S pada output
regresi” yang dalam uji ini sebesar 1,5197. Selanjutnya, nilai SEE ini
“dibandingkan dengan standart deviasi variabel dependen atau Y”.
Dinyatakan “model valid sebagai model prediksi apabila nilai SEE < nilai
standart deviasi Y”. Untuk mendapatkan nilai standart deviasi Y dapat dilakukan
dengan “uji deskriptif pada minitab”.

Hasil perhitungan standard deviasi variabel dependen Y (intensitas

serangan hama belalang) adalah 2,20. Dengan demikian, persamaan regresi
tersebut “valid untuk dijadikan model prediksi variabel dependen Y” ( 1,5197
< 2.20 ).
19
TERIMA KASIH