Uji Regresi Berganda

399 komentar
Share:
Uji regresi berganda banyak sekali dipakai dalam penelitian. Pemakaian baik untuk keperluan skripsi ataupun penelitian sehari-hari. Kelebihan uji regresi adalah kemampuannya melakukan prediksi. Bagi kalangan guru sekolah atau dosen, uji regresi bisa dipakai untuk memprediksi perilaku siswa, baik dalam hal nilai atau perilaku-perilaku lainnya.

Regresi Berganda Simultan atau Standar adalah kembangan lebih lanjut dari Penelitian Korelasional. Lewat Uji Regresi hendak dilihat bagaimana suatu variabel mempengaruhi variabel lain. Regresi Berganda Simultan atau Standar juga kerap disebut Standard Multiple Regression atau Simultaneous Multiple Regression).

Dalam uji regresi berganda simultan, seluruh variabel prediktor (bebas) dimasukkan ke dalam perhitungan regresi secara serentak. Jadi, peneliti bisa menciptakan persamaan regresi guna memprediksi variabel terikat dengan memasukkan, secara serentak, serangkaian variabel bebas. Persamaan regresi kemudian menghasilkan konstanta dan koefisien regresi bagi masing-masing variabel bebas. 

Selain Regresi Berganda Simultan atau Standar, ada pula Regresi Berganda Stepwise dan Regresi Berganda Hirarki. Tulisan ini hanya hendak mendalami Regresi Berganda Simultan atau Standar saja. 

Regresi Berganda dengan SPSS

Regresi Berganda sangat mudah dilakukan dengan SPSS. Julie Pallant menginstruksikan dilakukannya langkah-langkah berikut ini : 

  1. Klik Analyze --> Regression --> Linear. 
  2. Klik variabel terikat --> Pindahkan ke kotak Dependent. 
  3. Klik variabel bebas --> Pindahkan ke kotak Independent(s). 
  4. Pada Method, pastikan dipilih Enter (untuk Regresi Berganda Standar). 
  5. Klik tombol Statistics, lalu lakukan : 
  6. Ceklis Estimates, Model fit, Descriptives, dan Collinearity diagnostics. 
  7. Pada bagian Residual, ceklis Casewise diagnostics dan Outliers outside 3 standard deviations. 
  8. Klik Continue. 
  9. Klik tombol Options. Pada bagian Missing Values ceklis Exclude cases pairwise. 
  10. Klik tombol Plots, lakukan : 
  11. Klik *ZRESID dan tombol panah untuk memindahkannya ke kotak y-axis. 
  12. Klik *ZPRED dan tombol panah untuk memindahkannya ke kotak x-axis. 
  13. Klik Next 
  14. Klik *SRESID dan tombol panah untuk memindahkannya ke kotak y-axis (untuk melihat homoskedastisitas) 
  15. Klik *ZPRED dan tombol panah untuk memindahkannya ke kotak x-axis (untuk melihat homoskedastisitas) 
  16. Pada bagian Standardized Residual Plots, ceklis pilihan Normal probability plot. 
  17. Klik Continue. 
  18. Klik tombol Save. 
  19. Pada bagian Predicted Values, ceklis Unstandardized, Standardized, Adjusted 
  20. Pada bagian Residuals, ceklis Standardized, Deleted, dan Studentized deleted. 
  21. Pada bagian Distances, ceklis Mahalanobis, Cook’s, dan Leverage values. 
  22. Pada bagian Influence Statistics, ceklis Standardized dfBeta(s) dan Standardized DiFit 
  23. Klik Continue. 
  24. Klik OK. 

Asumsi Uji Regresi Berganda (Multiple Regression)

Menurut Julie Pallant dan Andy Field, Uji Regresi Berganda punya sejumlah asumsi yang tidak boleh dilanggar. Asumsi-asumsi Uji Regresi Berganda adalah:

1. Ukuran Sampel

Masalah berkenaan ukuran sampel di sini adalah generabilitas. Dengan sampel kecil anda tidak bisa melakukan generalisasi (tidak bisa diulang) dengan sampel lainnya. Berbeda penulis berbeda berapa sampel yang seharusnya dalam uji Regresi Berganda. Stevens (1996, p.72) merekomendasikan bahwa “untuk penelitian ilmu sosial, sekitar 15 sampel per prediktor (variabel bebas) dibutuhkan untuk mengisi persamaan uji regresi.” Tabachnick and Fidell (1996, p.132) memberi rumus guna menghitung sampel yang dibutuhkan uji Regresi, berkaitan dengan jumlah variabel bebas yang digunakan:

n > 50 + 8m

Dimana : 
n = Jumlah Sampel 
m = Jumlah Variabel Bebas 

Jika peneliti menggunakan 5 variabel bebas, maka jumlah sampel yang dibutuhkan adalah 90 orang, dalam mana 50 ditambah ( 5 x 8) = 50 + 40 = 90.

2. Outlier

Regresi Berganda sangat sensitif terhadap Outlier (skor terlalu tinggi atau terlalu rendah). Pengecekan terhadap skor-skor ekstrim seharusnya dilakukan sebelum melakukan Regresi Berganda. Pengecekan ini dilakukan baik terhadap variabel bebas maupun terikat. Outlier bisa dihapus dari data atau diberikan skor untuk variabel tersebut yang tinggi, tetapi tidak terlampau beda dengan kelompok skor lainnya. Prosedur tambahan guna mendeteksi outlier juga terdapat pada program SPSS file mah_1. Outlier pada variabel terikat dapat diidentifikasi dari Standardised Residual plot yang dapat disetting. Tabachnick and Fidell (1996, p. 139) menentukan outlier adalah nilai-nilai Standardised Residual di atas 3,3 (atau < - 3,3).

Outlier juga bisa dicek menggunakan jarak Mahalanobis yang tidak diproduksi oleh program Regresi Berganda SPSS ini. Ia tidak terdapat dalam output SPSS. Untuk mengidentifikasi sampel mana yang merupakan Outlier, anda perlu menentukan nilai kritis Chi Square, dengan menggunakan jumlah variabel bebas yang digunakan dalam penelitian sebagai “degree of freedom-nya” atau derajat kebebasan. Pallant menggunakan Alpha 0,001 agar lebih meyakinkan, yang rinciannya sebagai berikut: 



Untuk menggunakan tabel kritis Chi Square, lakukan langkah berikut:

  1. Tentukan variabel bebas yang digunakan dalam analisis; 
  2. Temukan nilai di atas pada salah satu kolom berbayang; dan 
  3. Baca melintasi kolom untuk menemukan nilai kritis yang dikehendaki. 

3. Normalitas Residu

Normalitas adalah residu yang seharusnya terdistribusi normal seputar skor-skor variabel terikat. Residu adalah sisa atau perbedaan hasil antara nilai data pengamatan variabel terikat terhadap nilai variabel terikat hasil prediksi. Untuk melihat apakah residu normal atau tidak, dapat dilakukan dengan cara berikut:

  1. Melihat grafik Normal P-P Plot, dan 
  2. Uji Kolmogorov-Smirnov 

Pada grafik Normal P-P Plot, residu yang normal adalah data memencar mengikuti fungsi distribusi normal yaitu menyebar seiring garis z diagonal. Residu normal dari uji Kolmogorov-Smirnov adalah diperolehnya nilai p > 0,05. 

Linieritas adalah residual yang seharusnya punya hubungan dalam bentuk “straight-line” dengan skor variabel terikat yang diprediksi. Homoskedastisitas adalah varians residual seputar skor-skor variabel terikat yang diprediksi seharusnya sama bagi skor-skor yang diprediksi secara keseluruhan. 

4. Multikolinieritas 

Uji Regresi mengasumsikan variabel-variabel bebas tidak memiliki hubungan linier satu sama lain. Sebab, jika terjadi hubungan linier antarvariabel bebas akan membuat prediksi atas variabel terikat menjadi bias karena terjadi masalah hubungan di antara para variabel bebasnya. 

Dalam Regresi Berganda dengan SPSS, masalah Multikolinieritas ini ditunjukkan lewat tabel Coefficient, yaitu pada kolom Tolerance dan kolom VIF (Variance Inflated Factors). Tolerance adalah indikator seberapa banyak variabilitas sebuah variabel bebas tidak bisa dijelaskan oleh variabel bebas lainnya. Tolerance dihitung dengan rumus 1 – R2 untuk setiap variabel bebas. Jika nilai Tolerance sangat kecil (< 0,10), maka itu menandakan korelasi berganda satu variabel bebas sangat tinggi dengan variabel bebas lainnya dan mengindikasikan Multikolinieritas. Nilai VIF merupakan invers dari nilai Tolerance (1 dibagi Tolerance). Jika nilai VIF > 10, maka itu mengindikasikan terjadinya Multikolinieritas. 

Hipotesis untuk Multikolinieritas ini adalah:


5. Autokorelasi

Autokorelasi juga disebut Independent Errors. Regresi Berganda mengasumsikan residu observasi seharusnya tidak berkorelasi (atau bebas). Asumsi ini bisa diuji dengan teknik statistik Durbin-Watson, yang menyelidiki korelasi berlanjut antar error (kesalahan). Durbin-Watson menguji apakah residual yang berdekatan saling berkorelasi. Statistik pengujian bervariasi antara 0 hingga 4 dengan nilai 2 mengindikasikan residu tidak berkorelasi. Nilai > 2 mengindikasikan korelasi negatif antar residu, di mana nilai < 2 mengindikasikan korelasi positif. >

Cara melakukan uji Durbin-Watson adalah, nilai Durbin-Watson hitung harus lebih besar dari batas atas Durbin-Watson tabel. Syarat untuk mencari Durbin-Watson tabel adalah Tabel Durbin-Watson. Untuk mencari nilai Durbin-Watson tabel: 

  1. tentukan besar n (sampel) dan k (banyaknya variabel bebas). 
  2. Tentukan taraf signifikansi penelitian yaitu 0,05. 

Durbin-Watson hitung dapat dicari dengan SPSS. Nilai Durbin-Watson hitung terdapat dalam output SPSS, khususnya pada tabel Model Summary. Hipotesis untuk Autokorelasi ini adalah:


Pengambilan keputusannya adalah:

Dengan kurva normal pengambilan Durbin-Watson:




  • Terima H0 jika Durbin-Watson hitung lebih besar dari ..... dan Durbin-Watson hitung lebih kecil dari 4 - .....; Artinya tidak ada Autokorelasi. 
  • Tolak H0 jika Durbin-Watson hitung lebih kecil dari ..... atau 4 - ..... lebih kecil dari .....; Artinya ada Autokorelasi. 

6. Homoskedastisitas 

Uji Regresi bisa dilakukan jika data bersifat Homoskedastisitas bukan Heteroskedastisitas. Homoskedastisitas adalah kondisi dalam mana varians dari data adalah sama pada seluruh pengamatan. Terdapat sejumlah uji guna mendeteksi gejala heteroskedastisitas misalnya uji Goldfeld-Quandt dan Park. Namun, Wang and Jain beranggapan bahwa Uji Park dapat lebih teliti dalam memantau gejala heteroskedastisitas ini. Dengan demikian, penelitian ini akan menggunakan Uji Park guna menentukan gejala heteroskedastisitas variabel-variabelnya.

Uji Park dilakukan dengan meregresikan nilai residual (Lne2) dengan masing-masing variabel independent. “The Park test suggests that if heteroscedasticity is present, the heteroscedastic varianc eσ_i^2 may be systematically related to one or more of the explanatory variables.” Rumus uji Park sebagai berikut:


Cara melakukan Uji Park adalah sebagai berikut:

  1. Dengan SPSS klik Analyze -->Regression --> Linear --> Masukkan variabel y ke Dependent --> Masukkan variabel x1, x2, x3, x4 ke Independent(s) --> Klik Save --> Pada Residual klik Unstandardized --> Continue --> OK 
  2. Pada SPSS klik Data View --> Cek bahwa ada satu variabel baru bernama res_1. Ini merupakan nilai ε_i^ . Nilai ini harus dikuadratkan dengan cara (pada SPSS) klik Transform --> Compute --> Isi Target Variable dengan ε_i^2 --> Pada operasi hitung kalikan nilai ε_i^ dengan ε_i^ . Pada Variable View SPSS muncul variabel baru bernama ε_i^2. 
  3. Dengan SPSS, tepatnya menu Transform --> Compute lakukan perubahan nilai ε_i^2, X1, X2, X3, X4 ke dalam bentuk logaritma natural (Ln) [caranya dengan Klik Ln lalu pindahkan variabel] Ln(ε_i^2 ) yaitu regresi unstandardized residual pada Target Variable dinamai Lnei2; X1 yaitu variabel x1 pada Target Variable dinamai Lnx1; X2 yaitu variabel x2 pada Target Variable dinamai Lnx2; x3 yaitu variabel x3 pada Target Variable dinamai Lnx3; x4 yaitu variabel x4 pada Target Variable dinamai Lnx4. 
  4. Setelah diperoleh nilai variabel-variabel baru Lnei2, LnX1, LnX2, LnX3, dan LnX4. 
  5. Lakukan uji regresi kembali secara satu per satu. 
  6. Pertama, klik Analyze --> Regression>Linear --> Masukkan variabel Lnei2 ke kotak Dependent --> Masukkan variabel LnX1 ke Independent(s) --> OK. Sementara hasil belum dihiraukan. 
  7. Kedua, klik Analyze --> Regression --> Linear --> Variabel Lnei2 masih ada di Dependent, biarkan > Keluarkan LnX1 dan masukkan LnX2 ke Independent(s) > OK. Sementara hasil belum dihiraukan. 
  8. Ketiga, klik Analyze --> Regression --> Linear --> Variabel Lnei2 masih ada di Dependent, biarkan > Keluarkan LnX2 dan masukkan LnX3 ke Independent(s) > OK. Sementara hasil belum dihiraukan. 
  9. Keempat, klik Analyze --> Regression --> Linear --> Variabel Lnei2 masih ada di Dependent, biarkan > Keluarkan LnX3 dan masukkan LnX4 ke Independent(s) > OK. Sementara hasil belum dihiraukan. 
  10. Perhatikan Output SPSS. Pada output, terdapat hasil perhitungan Park bagi variabel x1, x2, x3 dan x4, tepatnya adalah hasil uji Lnei2 dengan LnX1, dan uji Lnei2 dengan LnX2, uji Lnei2 dengan LnX3, dan uji Lnei2 dengan LnX4. 
  11. Peneliti akan memperbandingkan apa yang tertera di tabel Coefficients, yaitu nilai t. 
  12. Guna memastikan apakah ada gejala heteroskedastisitas, peneliti akan memperbandingkan nilai thitung dengan ttabel. Nilai ttabel dapat dicari pada Tabel t, yaitu dengan menentukan df = n - 4 . n adalah jumlah sampel dan 4 karena jumlah variabel independen penelitian adalah 4. Sehingga nilai df = 48 – 4 = 44. Dalam taraf 0,05 uji yang dilakukan adalah 2 sisi sehingga singnifikansi pada tabel adalah 0,025. 

Dengan mempertemukan nilai 46 dan 0,025 dan uji 2 sisi pada taraf 95% (0,025) pada Tabel t diperoleh nilai t tabel penelitian sebesar ...... 

Hipotesis yang diajukan mengenai masalah homoskedastisitas ini sebagai berikut:


Alternatif Uji Homoskedastisitas Jika Uji Park dianggap Terlampau Rumit 

Jika uji Park dianggap terlampau rumit, maka pengujian alternatif dapat ditempuh guna melihat apakah terjadi Homoskedastisitas atau Heteroskedastisitas. 

Caranya dengan melihat grafik persilangan SRESID dengan ZPRED pada output hasil SPSS. Caranya sebagai berikut:

  1. Klik Analyze --> Regression --> Linear 
  2. Klik Plot. 
  3. Isikan SRESID pada y-axis dan ZPRED pada x-axis. 
  4. Klik Continue. Perhatikan grafik scatterplot. Ingat, Homoskedastisitas terjadi jika varians dari residual satu pengamatan ke pengamatan lain tetap atau sama. Heteroskedastisitas terjadi jika varians dari residual satu pengamatan ke pengamatan lain tidak sama atau tidak tetap. 

Homoskedastisitas terjadi jika tidak terdapat pola tertentu yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Heteroskedastisitas terjadi jika terdapat titik-titik memili pola tertentu yang teratur seperti bergelombang, melebar kemudian menyempit.

Interpretasi Hasil Uji Regresi Berganda

Setelah uji Regresi Berganda selesai dilakukan, peneliti harus melakukan interpretasi. Rumus Regresi Berganda (standar) adalah sebagai berikut: 


Setelah pengujian Regresi Berganda dengan SPSS selesai, hal-hal penting untuk interpretasi adalah apa yang tercantum pada tabel-tabel pada output SPSS.

Tabel Descriptives 

Pada tabel Descriptive dapat dilihat nilai Standar Deviasi. Nilai ini terdapat pada kolom Std. Deviation. Nilai ini nanti akan diperbandingkan dengan nilai Std. Error of the Estimate. 

Tabel Model Summary 

Tabel ini memberi informasi seberapa baik model analisis kita secara keseluruhan, yaitu bagaimana 4 variabel bebas mampu memprediksikan 1 variabel terikat, dengan rincian sebagai berikut ini:

Kolom Model. Menunjukkan berapa buah model analisis yang kita bentuk. 

Kolom R. Menunjukkan seberapa baik variabel-variabel bebas memprediksikan hasil (multiple correlation coefficient). Kisaran nilai R adalah 0 hingga 1. Semakin nilai R mendekati angka 1, maka semakin kuat variabel-variabel bebas memprediksikan variabel terikat. Namun, ketepatan nilai R ini lebih disempurnakan oleh kolom Adjusted R Square yang merupakan koreksi atas nilai R. 

Kolom Adjusted R Square. Fungsinya menjelaskan apakah sampel penelitian mampu mencari jawaban yang dibutuhkan dari populasinya. Kisaran nilai Adjusted R Square adalah 0 hingga 1. Pedoman interpretasi atas nilai Adjusted R Square adalah sebagai berikut: 


Kalikan Adjusted R2 dengan 100% maka akan diperoleh berapa % varians tiap sampel pada variabel terikat bisa diprediksi oleh variabel-variabel bebas secara bersama-sama (simultan). 

Std. Error of the Estimate. Kolom ini menjelaskan seberapa kuat variabel-variabel bebas bisa memprediksi variabel terikat. Nilai Std. Error of the Estimate diperbandingkan dengan nilai Std. Deviation (bisa dilihat pada tabel Descriptives). Jika Std. Error of the Estimate < Std. Deviation, maka Std. Error of the Estimate baik untuk dijadikan prediktor dalam menentukan variabel terikat. Jika Std. Error of the Estimate > Std. Deviation, maka Std. Error of the Estimate tidak baik untuk dijadikan prediktor dalam mementukan variabel terikat. 

Durbin-Watson. Kolom ini digunakan untuk mengecek uji asumsi Autokorelasi. Bagaimana variabel bebas yang satu berkorelasi dengan variabel bebas lainnya. Durbin-Watson ini digunakan dalam uji asumsi Regresi sebelumnya. 

Tabel Coefficients

Pada tabel Coefficient, mohon perhatikan lalu jelaskan nilai-nilai yang tertera pada kolom-kolom berikut ini:

Model. Kolom ini menjelaskan berapa banyak model analisis yang dibuat peneliti. Pada kolom ini juga terdapat nama-nama variabel bebas yang digunakan dalam penelitian. Variabel-variabel tersebut diberi label “Constant” yaitu nilai konstanta yang digunakan dalam persamaan uji Regresi Berganda (a). 

Unstandardized Coefficient. Kolom ini terdiri atas b dan Std. Error. Kolom b menunjukkan Koefisien b, yaitu nilai yang menjelaskan bahwa Y (variabel terikat) akan berubah jika X (variabel bebas) diubah 1 unit. 

Standardized Coefficients. Pada kolom ini terdapat Beta. Penjelasan sebelumnya mengenai nilai b punya masalah karena variabel-variabel kerap diukur menggunakan skala-skala pengukuran yang berbeda. Akibatnya, kita tidak bisa menggunakan nilai b guna melihat variabel-variabel bebas mana yang punya pengaruh lebih kuat atas variabel terikat. Misalnya, jika variabel yang diteliti adalah jenis kelamin yang punya skala minimal 1 dan maksimal 2 dan pengaruhnya terhadap sikap yang skalanya minimal 1 dan maksimal 6, nilai b diragukan efektivitas prediksinya. Ini akibat nilai yang diperolehnya rendah atas pengaruh perbedaan skala pengukuran. Untuk memastikan pengaruh inilah maka nilai Beta dijadikan patokan. Nilai Beta punya kisaran 0 hingga 1, di mana semakin mendekati 1 maka semakin berdampak besar signifikansinya. 

Sig. Kolom ini menjelaskan tentang signifikansi hubungan antar variabel bebas dengan variabel terikat. Nilai Sig. ini sebaiknya adalah di bawah 0,05 (signifikansi penelitian). 

Tolerance. Kolom ini menjelaskan banyaknya varians pada suatu variabel yang tidak bisa dijelaskan oleh variabel prediktor lainnya. Kisarannya 0 hingga 1, di mana semakin mendekati 1 maka semakin mengindikasikan prediktor-prediktor lain tidak bisa menjelaskan varians di variabel termaksud. Nilai yang semakin mendekati 0 artinya hampir semua varians di dalam variabel bisa dijelaskan oleh variabel prediktor lain. Nilai Torelance sebaiknya ada di antara 0,10 hingga 1. 

Tabel ANOVA

Sig. Tabel ANOVA menunjukkan besarnya angka probabilitas atau signifikansi pada perhitungan ANOVA. Nilai yang tertera digunakan untuk uji kelayanan Model Analisis [dimana sejumlah variabel x mempengaruhi variabel y] dengan ketentuan angka probabilitas yang baik untuk digunakan sebagai model regresi harus < 0,05. Nilai ini bisa dilihat pada kolom Sig. Jika Sig. < 0,05, maka Model Analisis dianggap layak. Jika Sig. > 0,05, maka Model Analisis dianggap tidak layak. 

Pengambilan Keputusan dengan Tabel ANOVA

Dalam Regresi Berganda, hal utama yang hendak dilihat adalah apakah serangkaian variabel bebas secara serentak mempengaruhi variabel terikat. Dalam output SPSS ini bisa ditentukan lewat tabel ANOVA. 

Pada tabel ANOVA terdapat kolom F. Nilai yang tertera pada kolom F tersebut disebut sebagai F hitung. F hitung ini diperbandingkan dengan F tabel. Peraturannya:


Persoalannya, bagaimana menentukan F tabel? F tabel dapat ditentukan dengan cara:

  1. Tentukan signifikansi penelitian yaitu 0,05 (uji 2 sisi jadi 0,025. 
  2. Tentukan df1. Df1 diperoleh dari jumlah variabel bebas 
  3. Tentukan df2. Df2 diperoleh dari n – k – 1 = 48 – 4 – 1 = 43. 
  4. Cari angka 43 dan 4 dalam tabel F untuk signifikansi 0,025. 
  5. Dengan Excel, ketikkan rumus =FINV(0,05;4;43) 

Selain perbandingan nilai F, penerimaan atau penolakan Hipotesis juga bisa menggunakan nilai Sig. pada tabel ANOVA. Peraturannya:


Koefisien Determinasi

Dalam uji Regresi Berganda, Koefisien Determinasi digunakan untuk mengetahui persentase sumbangan pengaruh serentak variabel-variabel bebas terhadap variabel terikat. Untuk itu, digunakan angka-angka yang ada pada Tabel Model Summary. 

Cara menentukan Koefisien Determinasi sangatlah mudah. Peneliti tinggal melihat nilai pada kolom R2 dikalikan 100%. Misalnya nilai R2 adalah 0,7777. Dengan demikian Koefisien Determinasinya = 0,7777 x 100% = 77,77%. Jadi, secara serentak variabel-variabel bebas mempengaruhi variabel terikat sebesar 77,77%. Sisanya, yaitu 100 – 77,77% = 22,23% ditentukan oleh variabel-variabel lain yang tidak disertakan di dalam penelitian. 

Koefisien Regresi Parsial

Koefisien Regresi Parsial menunjukkan apakah variabel-variabel bebas punya pengaruh secara parsial (terpisah atau sendiri-sendiri) terhadap variabel terikat? 

Pada Tabel Coefficient, pengujian Hipotesis akan dilakukan. Uji hipotesis dilakukan dengan menggunakan Uji t. Pernyataan Hipotesis yang hendak diuji sebagai berikut:


Nilai t hitung bisa dilihat pada kolom t bagi masing-masing variabel bebas. 

Nilai t tabel bisa dicari dengan cara berikut ini:

  1. α = 0,05; untuk uji 2 sisi = 0,025 
  2. Degree of Freedom (df) = jumlah sampel – jumlah variabel bebas – 1 (angka 1 adalah konstanta) = 48 – 4 – 1 = 43. 
  3. Cari persilangan antara df = 43 dan 0,025. 
  4. Pencarian nilai t tabel dengan Excel mudah sekali. Ketik rumus =tinv(0,05;43). 

----------------------------------------- 

Daftar Pustaka

  • Andi Field, Discovering Statistics using SPSS: And Sex Drug and Alcohol, Second Edition (London: SAGE Publication, 2005) 
  • Daniel Muijs, Doing Quantitative Research in Education with SPSS (London: SAGE Publication Ltd., 2004) 
  • George C.S. Wang and Chaman L. Jain, Regression Analysis: Modelling and Forecasting (New York: Graceway Publishing Company, 2003) 
  • Jonathan Sarwono, Statistik Itu Mudah: Panduan Lengkap untuk Melakukan Komputasi Statistik Menggunakan SPSS 16 (Yogyakarta: Penerbit ANDI, 2009) 
  • Julie Pallant, SPSS Survival Manual: A Step by Step Guide to Data Analysis using SPSS for Windows, Third Edition (Berkshire: McGraw-Hill and Open University Press, 2007) 
  • Nancy L. Leech, Karen C. Barrett, George A. Morgan, SPSS for Intermediate Statistics: Use and Interpretation, Second Edition (New Jersey: Lewrence Erlbaum Associates, Publishers, 2005) 
  • Sarah Boslaugh and Paul Andrew Watter, Statistics in a Nutshell: A Desktop Quick Reference (Sebastopol: O’Reilly Media, Inc., 2008) 
  • Simon Washington, Matthew G. Karlaftis and Fred L. Mannering, Statistical and Econometric Methods for Transportation Data Analysis, (Boca Raton : Chapman & Hall/CRC, 2003) 
  • Tony Wijaya, Analisis Data Penelitian Menggunakan SPSS (Yogyakarta: Penerbit Universitas Atma Jaya Yogyakarta, 2009) 
tags:
cara uji regresi berganda dengan spss menafsirkan output hasil spss arti tabel summary koefisien determinasi regresi parsial mengolah hasil spss


399 komentar:

  1. Terima kasih, tulisan saudara membantu saya lebih memahami statistik..terus menulis ya! ^*

    BalasHapus
  2. Sama-sama. Semoga bermanfaat.

    BalasHapus
  3. trims banyak sodara... :)

    BalasHapus
  4. terima kasih :D
    tulisan anda banyak membantu dalam skripsi saya..

    BalasHapus
  5. Terimakasih
    Tulisan Anda sangat membantu

    BalasHapus
  6. Sama-sama. Semoga bermanfaat.

    BalasHapus
  7. kalo yang dipake nilai standardized coefficients boleh kan??? sumbernya dari mana ya???
    bole tolong dibantu
    sya lage ngerjain skripsi
    makasi

    BalasHapus
  8. Kelihatannya tidak masalah. Asalkan variabel x (dalam item kuesioner) punya pilihan jawaban 1 s/d 5 dan variabel y juga 1 s/d 5. Nilai Standardized Coefficient (kolom Beta dalam SPSS) memang digunakan untuk mengukur kekuatan pengaruh. Sumber : Robert Ho, Handbook of Univariate and Multivariate Dana Analysis and Interpretation with SPSS(Boca Raton: Chapman & Hall, 2006) pp. 200-1.

    BalasHapus
  9. mau tanya pak,
    bagaimana kalau nilai adjusted r squarenya nya negatif?
    apa jumlah sampel 88(setelah di polingg dari 22 sampel sellama 4 tahun) dan jumlah variabel bebas 4 juga berpangaruh?
    trimakasih pak

    BalasHapus
  10. --> Inti nilai negatif Adjusted R Square adalah calculation error.

    Berapakah nilai R Square-nya dari perhitungan ini ?

    Ini penting, karena Adjusted R Square akan NEGATIF apabila R Square hasil hitung lebih kecil dari Yang Diharapkan dari rumus k/(n-1). Dalam perhitungan anda karena R Square < k/(n-1) maka terjadilah nilai negatif Adjusted R Square. k = jumlah regresor/variabel bebas, n = jumlah sampel.

    Apakah 88 sampel berasal dari responden berbeda atau sama? Saran saya anda bisa mengganti model analisisnya dan mengujinya kembali dengan SPSS.

    Idealnya Uji Regresi menghendaki sampel lebih besar dari rumus 50 + 8m . m = jumlah variabel bebas. Dalam kasus anda jumlah sampel sebenarnya mencukupi. Hanya coba dikutak-kutik modelnya.

    Misalnya, Anda bisa mencoba dengan mengurangi variabel-variabel bebas atau indikator-indikator variabel bebas yang tidak perlu. Regresor berlebihan adalah salah satu hal yang membuat R Square < Harapan k/(n-1). Selamat mencoba.

    BalasHapus
  11. wahh..setelah baca tulisan Anda saya mendapatkan banyak pencerahan, terimakasih banyak atas tulisannya.. sangat membantu sekali :)tetap terus menulis ya Pak..

    BalasHapus
  12. Ya, terima kasih. Semoga bermanfaat.

    BalasHapus
  13. halo pak seta basri, boleh minta ym atau kontak bapak yg lain? ingin konsultasi tentang olah data nih terima kasih :)

    BalasHapus
  14. Ada ym saya dengan nama yang serupa. Namun, di ruang ini juga tidak mengapa Pak. Sekalian jadi saya juga sekalian belajar. Silakan.

    BalasHapus
  15. saya sedang meneliti dengan menggunakan regresi berganda dengan 4 variabel bebas berpengaruh terhadap 1 variabel terikat. ada 4 hipotesis. yang ingin saya tanyakan apakah boleh menguji normalitas, heterokedastisitas, multikolinier dan autokorelasi dengan menggabungkan data ke-4 variabel bebas tersebut menjadi 1? atau harus diuji satu-satu ya pak? terima kasih

    BalasHapus
  16. Empat variabel bebas tidak boleh dikompresi menjadi satu variabel. Masing-masing variabel berdiri sendiri.

    Jika menggunakan SPSS, contohnya dalam uji asumsi autokorelasi, maka masukkan variabel x1, x2, x3, dan x4 ke independent(s) dan variabel y ke dependent. Demikian untuk uji-uji asumsi lainnya.

    BalasHapus
  17. kereenn,, terima kasih banyak.. oiya ada mau numpang tanya, untuk mencari df di uji tabel t parsial, ttp sama rumusnya tidak apabila mnggunakan 0.025 (uji dua sisi), terima kasih

    BalasHapus
  18. Sama Pak. Hanya nilainya makin besar.

    BalasHapus
  19. bisa beri penjelasan tentang apa itu Multiple hierarchical regressions ?

    BalasHapus
  20. maaf saya ingin bertanya
    bagaimana jika nilai r square = 1.000
    soalnya penelitian saya hasilny sperti itu
    tp sy ragu
    terima kasih

    BalasHapus
  21. @ Bayu: Hierarchical Multiple Regression adalah uji regresi guna mengetahui pengaruh sejumlah variabel bebas atas variabel terikat, di mana peneliti menganggap pengaruh satu atau sejumlah variabel bebas lebih mempengaruhi variabel terikat ketimbang variabel bebas lain yang diikutsertakan dalam penelitian. Misalnya, dalam meneliti Stabilitas Politik (VT) peneliti (berdasarkan teori) menggunakan Pembangunan Ekonomi (VB1) dan Pelembagaan Politik (VB2). Namun, berdasarkan teori peneliti memperoleh informasi bahwa Pembangunan Ekonomi (VB1) lebih berpengaruh atas Stabilitas Politik (VT) ketimbang Pelembagaan Politik (VB2). Sebab itu, dalam menghitung Regresi, peneliti menggunakan Hierarchical Multiple Regression: Peneliti melakukan dua kali pengujian. Pertama menguji pengaruh VB1 atas VT (disebut Model 1). Kedua menguji pengaruh VB2 atas VT (disebut Model 2). Setelah itu peneliti melihat R-squarenya dikali 100%. Semakin mendekati 100% artinya VB tersebut lebih berpengaruh atas VT.

    @ anonim: Dengan demikian berarti VB dalam menjelaskan 100% varians VT. Kalau rangkaian uji validitas, uji reliabilitas, dan uji-uji asumsi regresi sudah dilaksanakan hasil tersebut sahih.

    BalasHapus
  22. Rumus dari Regresi Berganda hirarkis apakah sama dengan rumus dari regresi berganda?, terima kasih sebelumnya.

    BalasHapus
  23. @ Bayu: Maaf ada perbaikan. VB2 (yang dianggap kurang berpengaruh) dihitung terlebih dahulu disebut Model 1. Setelah itu baru VB1 (yang dianggap lebih berpengaruh) disebut Model 2. Lalu perbandingkan nilai R Square Changed. Apakah nilai Model 2 lebih tinggi dari Model 1? Jika nilai lebih tinggi dari Model 1 (otomatis juga nilai R Square-nya) maka pengaruh VB1 atas VT lebih besar ketimbang VB2 atas VT.

    Rumusnya tentu berbeda. Dalam HMR dilihat nilai perubahan kuadrat R, apakah lebih tinggi atau lebih rendah dari masing-masing Model.

    BalasHapus
  24. Kira-kira buku apa yang mempunyai penjelasan lengkap tentang regresi berganda hirarki plus pengujiannya dengan SPSS atau alat lain, Pak ?

    Terima kasih benyak sebelumnya..

    BalasHapus
  25. mau tanya Pak,
    kalau ada dua buah sinyal suara (berarti ada dua kelompok data), bagaimana cara mendeteksi apakah kedua sinyal itu saling bebas atau tidak?

    terimakasih

    BalasHapus
  26. Kalau keduanya berasal dari kelompok sampel yang berbeda bisa gunakan uji Mann-Whitney atau Kolmogorov-Smirnov.

    BalasHapus
  27. @ Rininta: Robert Ho, Handbook of Univariate and Multivariate Data Analysis and Interpretation with SPSS(Boca Raton: Chapman & Hall, 2006)

    BalasHapus
  28. Makasih Pak, referensinya bagus sekali, dan mudah dicari softcopy'nya di Google... :)

    BalasHapus
  29. numpang nanya nich..

    arti dari standar error di Tabel Coefficients y mas,,

    bagaimana cara membaca dan fungsinya.. terima kasih...

    BalasHapus
  30. Untuk SE silakan lihat di link http://setabasri01.blogspot.com/2011/04/analisis-deskriptif-dengan-importance.html khususnya sub D.4. SE intinya seberapa baik sampel mewakili populasi.

    BalasHapus
  31. saya mau nanya, apabila nilai r square n adj. r square = 1
    bagaimana menginpretasikannya di skripsi..

    BalasHapus
  32. Kalau R dan Adjusted R Sq = 1 artinya sampel penelitian "tinggi ketepatannya" dalam mencari jawaban yang dibutuhkan dari populasinya. Lihat pula nilai Sig. hasil perhitungan SPSS. Jika (umumnya) < 0,05 maka nilai "1" hasil perhitungan signifikan. Jika >= 0,05 maka nilai "1" tidak signifikan.

    Untuk pengambilan keputusan dalam uji hipotesis, lihat sub E. Pengambilan Keputusan: Tabel ANOVA. Lalu juga perhatikan nilai koefisien determinasinya, dimana nilai ini menentukan pengaruh x terhadap y sebesar "sekian" persen. Jangan lupa kaitkan dengan teori-teori yang telah dimuat dalam landasan teori sebelumnya.

    BalasHapus
  33. Halo pak seta basri..
    Blog anda sangat informative dan sangat membantu kami yang sedang membuat penelitian..

    Saya hendak bertanya pak,. saya sedang melakukan penelitian dengan menggunakan purposive sampling dimana dari populasi sebanyak 133 perusahaan, hanya terdapat 33 perusahaan yg memenuhi kriteria penelitian saya.. pada penelitian ini, saya akan menguji pengaruh 4 variable independen terhadap 1 variable dependen,. dalam penelitian saya, akan dipakai 3 tahun (2008, 2009 dan 2010) untuk kepentingan penelitian..

    saya akan menggunakan analisa regresi berganda, apakah jumlah sampel sebanyak 33 sampel sudah cukup untuk dapat menjalankan alat statistik (analisa regresi berganda SPSS)..?? apakah bisa dibenarkan bahwa jumlah sampel saya sebanyak 99 sampel yang didapat dari 33 perusahaan x 3 tahun? apa alasannya pak?

    mohon bimbingan dan informasinya pak...
    terima kasih pak..

    BalasHapus
  34. Wah, anda yang sepatutnya membimbing saya. Saya bahkan sama sekali belum pernah melakukan penelitian atas banyak perusahaan seperti yang Bapak lakukan. Mohon anggap jawaban saya sebagai lontaran pendapat yang patut dikoreksi lebih lanjut ya. Setahu saya, dalam regresi umumnya dicari nilai R sebagai wujud dari pengaruh X terhadap Y. Taksiran nilai R ini rentan dan sangat bergantung pada jumlah prediktor (VB) dan ukuran sampel. Mohon tidak dianggap nilai R yang dijelaskan kemudian ini dimaksud sebagai "nilai R" hasil Uji Regresi. Bukan demikian, melainkan untuk menaksir jumlah sampel "terbaik" yang harus dicari akibat adanya sejumlah Prediktor. Dalam menaksir jumlah sampel, asumsi paling ideal R=0 dan paling kurang ideal R=1. Rumus "fleksibel" dalam menaksir "nilai R jenis ini" adalah R=k/(N-1) di mana k=jumlah VB, N=jumlah sampel. Angka ideal untuk rumus tersebut adalah 0 sebagai yang paling ideal dan 1 sebagai yang paling kurang ideal. Misalnya, kita punya 6 VB dan sampel 21 maka R=k/(N-1)=6/(21-1)=6/20=0,3. Bandingkan dengan kita punya 6 VB dan sampel 100 maka R=k/(N-1)=6/(100-1)=6/99=0,06. Dapat dilihat 0,06 lebih ideal karena lebih dekat ke 0 ketimbang 0,3. Juga dapat disebut 100 sampel lebih mendekati ideal ketimbang 21 sampel.

    Kalau pendapat saya, apakah dengan prediktor 4 variabel dan sampel 33 uji regresi bisa dilaksanakan, maka jawabannya bisa. Dan itu bergantung pada pilihan peneliti. Umumnya, dalam mengharapkan "nilai R hasil hitung SPSS, ada 3 harapan para peneliti sehubungan uji regresi, yaitu: (1) Mengharapkan efek yang besar; (2) Mengharapkan efek sedang; dan (3) Mengharapkan efek kecil. Jika (1) yang diharapkan, maka dengan 4 prediktor k.l. 40 sampel mencukupi. Jika (2) yang diharapkan, maka dengan 4 prediktor 85 sampel mencukupi. Jika (3) yang diharapkan, maka dengan 4 prediktor > 500 sampel baru mencukupi. Jika ditanyakan manakah yang paling ideal, maka jawabannya adalah yang nomor (3). Namun, hal tersebut bergantung pada problem peneliti di lapangan. Misalnya, seperti kasus Bapak, dari 133 perusahaan hanya 33 yang memenuhi kriteria seperti dipersyaratkan desain penelitian yang sudah susah-payah disusun sebelumnya. Hal tersebut belum lagi ditambah keterbatasan waktu, dana, dan kelindan birokrasi di masing-masing perusahaan. Jika Bapak yakin dengan 33 perusahaan tersebut, dilanjutkan saja karena "keterbatasan" penelitian toh dapat kita sematkan di dalam "catatan penting penelitian." Dan, tetapkan saja 33 sampel karena sesungguhnya beda tahun masing-masingnya dikhawatirkan ada "unknown variable" yang tidak terprediksi dalam desain penelitian. Saran saya --mohon dikoreksi, ya--- kalau multiple regression, lihat saja deskripsi nilai R antar tahun tersebut lalu dijelaskan keunikan masing-masing tahun. Semoga sukses penelitiannya.

    BalasHapus
    Balasan
    1. ASSALAMULAIKUM...PAK SERTA BASRI....dalm menggunakn regresi berganda kn dapat kita ketahui dgn statistik menggunakn asumsi klasik dalam mengambil keputusan......sy agk bingun dalam menggunakn asumsi klasik malah...sy gk thu skali tentang ...asumsi klasik itu sndiri....bs bantu sy dalam penjelasn statistik dalm menggunakan regresi berganda untuk mengetahui pengaruh terhdap 4 variabel bebas dan satu terikat....sy sdh mengethaui nilai signifikan ...tp sy bingun dalam menguji statistik dgn asumusi klasikx....bs di jelaskn sedikit tentang cara menguji statistik asumsi klasikx.....ats bantuanx...sy ucpakn teriman. kasih...wassalam.

      Hapus
    2. Wa 'alaikumus salam.
      Uji asumsi klasik diadakan sebelum dilakukan Uji Regresi. Tentu saja, tidak semua proses bimbingan di perguruan tinggi melakukan uji asumsi ini. Ada sejumlah dosen yang menghendaki mahasiswanya melakukan uji asumsi tersebut, tetapi banyak pula yang tidak. Bagi yang tidak berkehendak mungkin berpendapat pengadaan uji-uji tersebut "terlalu rumit" sehingga dikhawatirkan malah membingungkan mahasiswa. Namun, kemungkinan juga ada sementara dosen yang tidak memahami makna mengapa uji asumsi terlebih dahulu harus diadakan sebelum uji statistik dilangsungkan. Jadi, uji asumsi bukanlah uji regresi. Uji asumsi adalah persyaratan yang harus dipenuhi terlebih dahulu sebelum uji regresi layak dilakukan. Pengambilan keputusan atas hipotesis tidak dilakukan berdasarkan uji asumsi melainkan uji regresi.

      Adapun cara melakukan uji asumsi untuk regresi sudah saya muat pada tulisan di atas. Jika langkah Regresi Berganda dengan SPSS mulai 1 s/d 24 dilakukan, maka otomatis uji asumsi pun telah dikalkulasi. Nama-nama uji asumsi untuk regresi berganda (misalnya 4 VB dan 1 VT) juga ada pada tulisan di atas berikut bagaimana cara menafsirkannya. Selamat mempelajari dan semoga bermanfaat.

      Hapus
  35. Luar biasa, melalui media ini (blog anda) saya bisa belajar banyak hal yang sangat berguna untuk penelitian saya.

    Adapun hal yang hendak saya tanyakan lagi Pak Seta, berhubungan dengan uji asumsi klasik:

    1. Adakah uji lain yg dapat di pakai untuk menguji normalitas data selain dari interpretasi plot? kolmogorof smirnov (KS)? bagaimana cara mendapatkan nilai KS dari SPSS? Saya hendak memilih alternative lain untuk mendapatkan uji normalitas karna dari 2 plot yg dihasilkan uji normalitas yg telah saya coba, mereka mengindikasikan hasil yg berbeda satu sama lainnya, yg satunya "terlihat" normal sedangkan yang satu "terlihat" tidak terdistribusi normal..

    2. Untuk uji autokorelasi dengan menggunakan Durbin Watson (DW), saya pernah membaca satu buku yang berkata, uji autokorelasi lebih "appropriate" atau cocok digunakan untuk penelitian dengan menggunakan time series/longitudinal. Penelitian saya akan dilaksanakan/diselesaikan dalam satu period (cross-sectional) tapi data yg saya gunakan berupa time series (laporan tahunan tahun 2008-2010), apakah saya juga perlu menggunakan tes DW? dan bagaimana membaca hasilx untuk mengetahui apakah terdapat autokorelasi dalam data saya?

    Terima kasih banyak Pak, mohon bantuannya (lagi) hohoho :)

    BalasHapus
  36. 1. Untuk Uji Normalitas dengan Kolmogorov-Smirnov, maka data yang normal adalah Asym. Sig. Kolmogorov-Smirnov hitung > Sig. Penelitian (umumnya 0,05). Cara melakukan uji normalitas dengan SPSS adalah :
    a) Klik Analyze --> Nonparametric Tests --> 1-Sample K-S.
    b) Pada jendela One-Sample Kolmogorov-Smirnov Test, masukkan variabel-variabel bebas dan terikatnya (misalnya x1, x2, x3, x4, dan y ke kotak Test Variable List.
    c) Pastikan sudah terceklis Normal pada Test Distribution.
    d) Klik OK.
    Dari hasil SPSS perbandingkan nilai Asymp. Sig. (2-tailed) atau P-Value dengan Signifikansi Penelitian (misalnya 0,05). Jika P-Value > Signifikansi Penelitian maka data distribusi normal. Jika < maka tidak normal.

    2. Jika Uji Regresi melibatkan lebih dari 1 variabel bebas sebaiknya uji autokorelasi diadakan untuk memastikan tidak ada hubungan berlebihan antar variabel bebas. Jika menggunakan 1 variabel bebas saja, autokorelasi menjadi tidak perlu. Data antar tahun kiranya berbeda satu sama lain. Untuk cara menentukan, menghitung, dan membandingkan Durbin-Watson ada di content tulisan saya di atas atas, sub C.4.

    BalasHapus
  37. amazing...

    satu kata yang bisa saya beri,,

    saya mau minta bantuannya pak, saya kurang faham dengan analisis datanya.
    kebetulan saya sedang menyelesaikan skripsi saya yg sudah terbengkalai 1smt, sya memilih regresi berganda linear dengan 3 variabel bebas dan 1 variabel terikat. namun setelah beberapa kali di uji dng menggunakan spss hasilnya sprti ini

    nilai sig pada annova bernilai 0.913

    apa yang harus saya lakukan?

    terima kasih,,

    BalasHapus
  38. Berdasarkan nilai Sig. 0,913. Mohon perbandingkan F-Hitung SPSS di tabel Anova dengan F-Tabel. Apakah F-Hitung tersebut lebih besar ataukah kecil? Jika lebih besar, maka simpulannya: "Tiga VB mempengaruhi Satu VT tidak secara signifikan." Jika lebih kecil, maka simpulannya: "Tiga VB tidak mempengaruhi Satu VT tidak secara signifikan."

    Mohon pula dilihat tabel Model Summary. Lihat kolom R-Square. Apakah hasilnya positif ataukah negatif.

    Jika negatif maka ada kemungkinan Regresor berlebihan. Artinya Variabel Bebas satu dengan lainnya saling tumpang tindih mengukur konsep yang sama. Juga, indikator-indikator variabel bebas terlampau banyak. Jika memang nilai R-Square nya negatif, maka disarankan untuk menyederhanakan jumlah variabel atau jumlah indikator di dalam masing-masing variabel.

    Jika positif maka mohon dicek apakah uji-uji vadilitas, reliabilitas sudah dilakukan. Juga apakah setelah itu juga sudah dilakukan rangkaian uji asumsi klasik regresi berganda seperti Ukuran Sampel, Normalitas Residu, Multikolinieritas, Autokorelasi, Heterokedastisitas. Jika seluruh rangkaian ini sudah dilakukan dan lolos, maka nilai Sig. 0,913 tersebut berlaku.

    BalasHapus
  39. mau tanya...uji park nya itu lihatnya di buku apa ya?
    buat referensi skripsi soalnya.
    *trims

    BalasHapus
  40. untuk nilai R Square sebesar 0,078 dan positif
    sudah saya lakukan semua pak, tpdalam mengambil kesimpulan dari hasil2 uji tsb saya mengalami kebingungan Pak...
    mohon bantuannya,,
    Terima Kasih.... :)

    BalasHapus
  41. to: show up

    Pendapat saya begini saja (mohon dicek di sumber lain, ya ...), asumsikan bahwa seluruh proses desain dan perhitungan statistik telah memenuhi kaidah. Tiba saat melakukan pengujian hipotesis. Hipotesis yang diuji dalam analisis regresi umumnya begini:

    H0 : Tidak ada pengaruh X terhadap Y.
    H1 : Ada pengaruh X terhadap Y.

    Taraf keyakinan penelitian adalah 95% yang berarti peneliti yakin bahwa kemungkinan Mean Populasi akan berada dalam interval keyakinan sebesar 0,95 dan hanya 0,05 yang berada di luar itu. (Ingat kurva normal).

    Setelah dihitung ternyata nilai Sig. pada tabel Anova = 0.913. Lalu, apa yang bisa diputuskan? Kira-kira kalimatnya begini:

    "Dalam Taraf Keyakinan 95% dan Interval Keyakinan 0,05 maka H0 tidak ditolak dan pengaruh tidak signifikan secara statistik." Dengan demikian patut dinyatakan bahwa Tidak Ada Pengaruh X terhadap Y dan Pengaruh X terhadap Y sebesar 0,078 (dari R Square) tidak signifikan secara statistik. Dengan dapat disimpulkan bahwa tidak ada pengaruh variabel ..... terhadap variabel ....

    Namun, umumnya pembimbing 'berkeras' bahwa H0 harus ditolak dan H1 harus diterima. Nah, kalau data penelitian sudah menyatakan H0 tidak dapat ditolak lantas bagaimana? Apakah kuesionernya harus diubah, direkayasa? Nah, kesamaan pemahaman dengan para pembimbing patut dibangun antara peneliti dan pembimbingnya. Penelitian yang baik adalah menginterpretasikan data dan hasil pengujian secara apa adanya. Sekali lagi ini pendapat saya, silakan dikroscek dengan pembimbing skripsi karena dia adalah 'pembela' di sidang skripsi yang sesungguhnya.

    BalasHapus
    Balasan
    1. Tambahan:
      Ketika nilai sig. test > sig. penelitian (> .05) maka kita umumnya menolak hipotesis penelitian (H1). Namun, perlu diingat bahwa itu bukan berarti H0 sebagai "benar." H0 hanyalah sebuah proposisi yang menyatakan bahwa tidak ada efek variabel atas populasi. Sehingga tidak dapat secara sederhana begitu saja dikatakan bahwa hasil uji hipotesis yang tidak signifikan secara statistik (> .05) lantas diartikan bahwa variabel dalam pengujian adalah juga "0" (secara absolut sebagai tidak ada efek). Sebagai kembangan, juga jangan secara mudah menyatakan bahwa diterimanya H0 sebagai murni "tidak ada pengaruh" atau murni "tidak ada hubungan" antar variabel. Intinya, nilai sig. penelitian tidak menyatakan bahwa H0 adalah benar secara absolut. Nah, di sinilah argumentasi dari seorang peneliti dikembangkan. Lihat nilai-nilai uji non sig. penelitian (misalnya nilai R, R Square). Terlebih di dalam penelitian ilmu sosial di mana yang diteliti adalah persepsi manusia.

      Hapus
    2. maksudnya pak, secara absolut "0" tidak ada pengaruh pengertiannnya secara statistikkah atau argumen si peneliti menurut teori atau lebih kemana maksud absolut ini pak?
      trims sblmnya pak,
      --jees

      Hapus
    3. Secara statistik pengertiannya pun demikian. Hal yang patut diingat adalah, dalam penelitian (umumnya) digunakan sampel. Sementara itu, setiap hipotesis (H0 maupun H1) ditujukan kepada "populasi." Sampel diasumsikan "representatif" mewakili populasi. Ketika H1 ditolak dan H0 berlaku tentu saja nilainya tidak absolut, karena "sampel" seberapapun representatifnya bukanlah "populasi" yang sesungguhnya. Hal ini di antaranya dapat dilihat dari (misalnya) nilai r (uji korelasi) ataupun R (uji regresi). Besar kecilnya kedua nilai tersebut, kendati tidak signifikan secara statistik mencerminkan H0 yang tiada absolut tadi. Tetap ada dampak/pengaruh/hubungan, kendati tidak signifikan.

      Hapus
  42. mau tanya pak, saya sedang melakukan penelitian yang untuk uji normalitasnya menunjukkan data tidak terdistribusi secara normal,, ketika saya mentransformasikan variabel dependennya dalam bentuk Ln, data udah terdistribusi scara normal, sehingga persamaan regresinya pun harus diubah dlm bntuk Ln. tetapi saya jadi bingung, ketika melakukan interpretasi, apakah angka dari hasil uji regresi yg variabel depennya Ln itu di anti Log apa tidak?karena setahu saya ktka kita menginterpretasikan itu menggunakan bentuk desimal asilnya.

    terima kasih.

    BalasHapus
  43. to: dwi septiana

    Nawari, Analisis Regresi dengan MS-Excel 2007 dan SPSS 17 (Jakarta: Elex Media Komputindo, 2010)h. 227-32.

    BalasHapus
  44. to: rescyana
    Transformasi x dan y juga. Tidak bisa uji regresi x masih decimal 10 y log natural. Interpretasi ya hasil ln tersebut.

    BalasHapus
  45. Salam ya pak. bagaimana gunakan cara memproses/analisis SPSS untuk regresi berganda hirarki. tunjukki ya pak step2 nya.terima kasih ya pak

    BalasHapus
  46. 1. Dari menur bar klik Analyze > Regression > Linear ... [Muncul jendela Linear Regression]
    2. Klik variabel Y > Masukkan ke Dependent.
    3. Tentukan BLOK#1. Klik variabel-variabel X > Masukkan ke Independent(s).
    4. Pada sel Method pilih Enter > Klik Next
    5. Tentukan BLOK#2. Masukkan variabel-variabel X ke Independent(s).
    6. Pada sel Method pilih Enter.
    7. Klik Statistics > Pada jendela Linear Regression: Statistics ceklis Estimates, Confidence intervals, Model fit, R squared change, dan Collinearity diagnostics (sesuaikan dengan kebutuhan penelitian).
    8. Klik Continue
    9. Pada jendela Linear Regression > Klik Options....
    10. Pada jendela Linear Regression: Options > Pastikan Use probability of F dan Include constant in equation sudah terceklis. Juga pada Missing Values, ceklis Exclude cases listwise > Klik Continue.
    11. Pada jendela Linear Regression > Klik OK.
    12. SPSS menghitung dan hasilnya sila lihat di Output.

    BalasHapus
  47. oia pak, ,ada yang mau saya tanyakan lagi, untuk menghitung kecenderungan data pada data sekunder itu bagaimana ya?soalnya setahu saya kecenderungan data itu dihitung dengan mean ideaL itu pun jika datanya data primer.

    terimakasih

    BalasHapus
  48. Sepengetahuan saya, kecenderungan data umumnya dilihat dari modus, median, atau yang paling populer "mean." Mean data ini, entah primer ataupun sekunder lalu diperbandingkan dengan Standar Deviasi. Jika tidak demikian lalu kecenderungan data sekunder bagaimana melihatnya?

    BalasHapus
  49. Saya mahasiswi Univ Brawijaya Malang
    Mau tanya, sumber yang digunakan pada poin E-F-G itu sumber yg mana pak?
    Karena skripsi saya menggunakan analisis regresi juga

    BalasHapus
    Balasan
    1. maksud saya dari pengambilan keputusan : ANOVA sampai koef regresi parsial
      terimakasih sebelumnya

      Hapus
    2. Untuk yang E (Pengambilan Keputusan dengan Tabel ANOVA) dilihat dari Tabel ANOVA hasil output SPSS. Untuk F (Koefisien Determinasi) dilihat dari Tabel Model Summary hasil output SPSS, yang kendati pada contoh saya digunakan nilai pada kolom R Square, tetapi ada sejumlah pendapat yang menyatakan sebaiknya yang digunakan adalah nilai Adjusted R Square. Untuk yang G (Koefisien Regresi Parsial) dilihat dari Tabel Coefficient >> Kolom t. Sama-sama. Semoga mencerahkan.

      Hapus
    3. okey, terimakasih.. :)
      sekalian mau tanya, sumber pengambilan keputusan : ANOVA sampai koef regresi parsial artikelnya dr buku apa pak?

      sy masih bingung, ada buku yg menyatakan uji validitas model melalui multikolinieritas, residu, dsb
      kemudian ada yg menyatakan cukup dengan uji t, F dan sig
      mungkin bapak bisa bantu menjelaskan?

      Hapus
    4. Untuk yang bahasannya to the point silakan lihat di:
      1. Jonathan Sarwono, Statistik Itu Mudah: Panduan Lengkap untuk Melakukan Komputasi Statistik Menggunakan SPSS 16 (Yogyakarta: Penerbit ANDI, 2009)
      2. Tony Wijaya, Analisis Data Penelitian Menggunakan SPSS (Yogyakarta: Penerbit Universitas Atma Jaya Yogyakarta, 2009)
      Uji validitas memang beragam, bergantung apa yang hendak diuji "validitas"nya. Selain model, juga ada uji validitas item.

      Hapus
  50. saya mahasiswa sedang mengerjakan skripsi..
    saya mau tanya jika nilai contant itu negatif (-26.885)artinya apa y pak? mohon bimbingannya...terima kasih


    Coefficients(a)
    Unstandardized Coefficients Standardized Coefficients
    B Std. Error Beta t Sig.
    (Constant)-26.885 7.877 -3.413 .001
    ktrmpln .952 .196 .418 4.859 .000
    modul .767 .154 .430 4.992 .000
    a. Dependent Variable: hasil

    BalasHapus
    Balasan
    1. Mungkin Anda menggunakan regresi berganda 2 vb atas 1 vt. Mohon perhatikan tabel Coefficients. Lihat kolom Unstandardized Coefficients B. Pada kolom Model lihat (Constant). Nilai Constant (konstanta) Anda adalah -26.885. Artinya, Model regresi Anda memiliki nilai konstanta sebesar -26,885. Model persamaan uji regresi anda adalah: Y = B + a1X1 + a2X2. Y adalah nilai variabel terikat yang hendak diprediksi (dalam hal penelitian anda "hasil"). B adalah konstanta (Constant yang -26,885). a1 adalah nilai B Unstandardized Coefficients untuk VB 1 anda ("ktrmpln"). X1 adalah nilai "riil total" responden Anda untuk "ktrmpln". a2 adalah nilai B untuk Unstandardized Coefficients untk VB 2 anda ("modul"). X2 adalah nilai "riil total" responden Anda untuk "modul". Misalnya, untuk Responden 1 nilai "riil total" "ktrmpln" = 56 dan "modul" = 50, maka untuk memprediksi "hasil" (Y) persamaannya adalah: Y = B + a1X1 + a2X2 = -26,885 + 0,952.56 + 0,767.50 = -26,885 + 53,312 + 38,35 = 64,777. Demikian pula perhitungannya untuk Responden 2 dan seterusnya. Namun, juga harap dilihat tabel Model Summary.

      Hapus
  51. Mau tanya dong om admin atau yang laen yang bisa jawab,,,

    Dalam penelitian yang berhubungan dengan analisis regresi linier berganda, kita selalu dihadapkan dengan istilah-istilah sebagai berikut:
    1. Uji T
    2. Uji F
    3. Koefisien Regresi
    4. Nilai R
    5. Nilai R-Square
    6. Nilai adj.R-Square dll.

    Bagian mana yang paling penting dari 7 item yang saya sebutkan diatas?

    Artikel diatas ada kalimat
    "Kolom Adjusted R Square. Fungsinya menjelaskan apakah sampel penelitian mampu mencari jawaban yang dibutuhkan dari populasinya. Kisaran nilai Adjusted R Square adalah 0 hingga 1. Pedoman interpretasi atas nilai Adjusted R Square adalah sebagai berikut..."
    Maksudnya gimana itu yah???

    BalasHapus
    Balasan
    1. Khusus untuk linear berganda di SPSS? Saya coba ya. Yang lain boleh kok mengoreksi atau menambahi.

      1. Uji t. Nilai ini tampak di tabel Coefficients kolom Standardized Coefficients. Nilai t (juga Beta) menunjukkan kuatnya hubungan pengaruh dari variabel bebasnya. Jika nilai t (juga Beta) positif, maka hubungan VB-VT positif. Atau sebaliknya.
      2. Uji F. Nilai ini tampak di tabel ANOVA. Uji F digunakan untuk menguji hipotesis yang menyatakan tidak ada hubungan antara VB-VT (biasanya H0). Jika probability (sig.nya) < sig. penelitian, H0 ditolak. Nilai F juga menunjukkan seberapa baik model regresi yang kita gunakan. Dalam pengujian, nilai F hitung ini dibandingkan biasanya dengan F tabel.
      3. Koefisien regresi, lihat 4.
      4. R. Nilai ini juga disebut 'multiple R.' R adalah korelasi antara nilai Y (persamaan) yang diamati dengan nilai Y (persamaan) yang diprediksi oleh model regresi berganda. Sebab itu, besarnya nilai R mencerminkan besarnya korelasi antara antaara nilai-nilai prediksi dengan nilai-nilai yang diamati sebagai hasilnya. Nilai 1 (sempurna) mencerminkan kondisi dimana model regresi akan secara sempurna memprediksi data yang diamati.
      5. R Square. Juga disebut 'Koefisien Determinasi.'Nilai ini diperoleh dari penguadratan nilai R. Dalam model regresi, nilai R Square menunjukkan proporsi variabilitas VT yang mampu dihitung oleh VB. Dalam melakukan penjelasan, nilai R Square umumnya dikalikan 100%. Misalnya 0,50 x 100% = 50% dan dengan demikian VB mampu menghitung 50% variabilitas dari VT.
      6. Adjusted R Square. Nilai adalah 'penyusutan.' Nilai berusaha menunjukkan kebaikan model regresi dalam melakukan penyimpulan. Harapannya ia serupa (atau mendekati) R Square. Misalnya nilai R Square 0,65 sementara nilai Adjusted R Square 0,60. Maka terjadi 'penyusutan' sebesar 0,65 - 0,60 = 0,05 (5%). Maknanya, jika model regresi kita terapkan atas populasi langsung (bukan sampel) maka akan terjadi 'penyusutan' sebesar 5% dari varians VT yang mampu diprediksi oleh VB (berkurang). Ya, sampel bukanlah populasi yang sesungguhnya. Kondisi yang diharapkan (ideal) adalah nilai Adjusted R Square idealnya serupa dengan R Square ini, tetapi secara realistik adalah sulit: Tidak ada sampel yang secara total serupa dengan populasi. Interpretasi kesesuaian ini ada di tabel dalam artikel di atas.

      Semuanya penting, dan derajat 'penting' ini tentu tidak terlepas dari tujuan spesifik dari suatu penelitian. Semoga bermanfaat.

      Hapus
  52. halo pak, saya jees, sedang menganalisis data penelitian saat ini pak
    sangat membantu artikel blog ini pak,
    saya ingin tanya mengenai out put data regresi saya,
    saya menggunakan regresi sederhana (1 vb dan 1 vt)dan hasilnya: R(.116); R Square(.014); Adjusted R (-.036); t pd table coefficient (-.523); sig. pd table coefficient dan Anova (.607). yang ingin saya tanyakan:
    1.untuk regresi sederhana, apakah perlu mempertimbangkan nilai adjusted R nya? karena dari penjelasan diatas, jika nilai adjusted R bernilai negatif maka ada calculation error!!!
    2.baagaimana menginterpretasikan nilai t yang bernilai negatif (-.523)? bagaimana menarik kesimpulannya?
    3.nilai sig. penelitian saya dlm taable anova dan coefficient (.607) apakah berkaitan dengan penyebaran data? atau adakah yg salah dengan pengambilan data saya, karena n saya berjumlah 22??
    4.kurva saya (normal P-P Plot) mengikuti garis diagonal (menempel pada garis diagonal) dan scater plot cenderung kekanan ujung.

    terimakasih pak

    BalasHapus
    Balasan
    1. Saya coba per pertanyaan ya.
      1. Nilai Adjusted R terutama berkait pada dua hal: Jumlah VB dan Jumlah Sampel. Rumus sampel uji regresi kiranya 50 + 8m (m = jumlah VB). Idealnya, jumlah sampel Anda karena regresi sederhana adalah 58. Jika jumlah sampel sudah mencukupi (bahkan lebih) tetapi Adjusted R masih (-) maka dapat ditelusuri pada rangkaian uji asumsi klasik pra regresi, yang harus diadakan terlebih dahulu sebelum uji regresi diadakan. Atau, dapat nilai R .116 dan R Square .014 ditetapkan saja untuk diterima dengan catatan nilai Adjusted R adalah negatif. Mungkin Anda dapat memuatnya sebagai keterbatasan penelitian).
      2. Nilai t yang negatif dapat diinterpretasikan sebagai pengaruh yang berlawanan antara VB terhadap VT. Misalnya, makin besar pengaruh VB maka makin kecil VT. Atau, makin kecil pengaruh VB makin besar VT.
      3. Kiranya ada, karena untuk Uji Regresi ketentuan sampelnya 50 + 8m (m= jumlah VB). Jika pertanyaannya adalah "apakah penelitian tetap dapat diterima?" Sebaiknya sepakati dengan pembimbing penelitian. Arti umum dari nilai sig. .607 adalah "tidak signifikan secara statistik." Dapat pula hal tersebut disebutkan sebagai keterbatasan penelitian, karena penelitian (terutama skripsi) terbatas oleh tiga hal: Waktu, tenaga, dan biaya (penelitian skripsi umumnya menggunakan biaya sendiri).
      4. Normal P-P Plot mengikuti garis diagonal mengindikasikan normalitas residu. Scatter Plot: Jika cenderung menyerupai garis diagonal dari sumbu 0 ke kanan atas maka mengindikasikan pengaruh positif yang cukup kuat; Jika plot cenderung naik ke kanan atas tetapi tidak menyerupai garis (hanya samar) maka mengindikasikan pengaruh positif yang lemah; Jika plot cenderung membentuk garis diagonal dari sumbu Y ke arah X maka mengindikasikan pengaruh negatif yang cukup kuat; Jika plot cenderung tidak membentuk garis (acak) dari sumbu Y ke arah X maka mengindikasi pengaruh negatif yang lemah; Jika data adalah acak, tanpa pola jelas, maka mengindikasikan kondisi yang cenderung tiada pengaruh (sangat ... sangat lemah).
      Sama-sama Jees. Semoga bermanfaat.

      Hapus
  53. Pak seta, saya mau tanya.
    Saya sedang mengerjakan skripsi dan ada masalah di bagian adjusted R square.
    nilai adj. R square saya sebesar 0,98377
    menurut dosen saya nilai tu terlalu besar dan berbahaya.
    akibat dari nilai adj R square yg terlalu besar apa ya pak ?
    trus cara mengatasinya bagaimana ?? Thx.

    BalasHapus
    Balasan
    1. Apakah Adjusted R Square itu? Nilai Adjusted R Square berusaha menunjukkan kebaikan model regresi dalam melakukan penyimpulan. Idealnya nilai Adjusted R Square adalah sama atau paling tidak mendekati R Square. Sebab itu, penting untuk dilihat berapa nilai R Square Anda. Nilai Adjusted R Square dan R Square selalu berjalan seiring, karena keduanya bersangkutan dengan "penyusutan" yang nantinya akan terjadi ketika Uji Regresi "benar-benar diterapkan" atas populasi. Contoh: Nilai Adjusted R Square anda adalah 0,98377. Nilai R Square anda 0,98756. Penyusutan yang terjadi ketika uji diterapkan atas populasi adalah 0,98756 - 0,98377 = 0,379% (koreksi perhitungan saya ya?). Makna dari 0,379% adalah, ketika diasumsikan uji diberlakukan langsung atas populasi (yang sesungguhnya, bukan sampel) maka terjadi penyusutan sebesar 0,379%. Yang dimaksud "penyusutan" ini adalah bahwa, sebesar 0,379% saja dari varians Variabel Terikat yang mampu diprediksi oleh Variabel (variabel) bebas. Kondisi ideal dari Adjusted R Square adalah penyusutan sebesar 0%. Tetapi, hal ini sangat sulit diperoleh: Sampel bukanlah Populasi, seberapapun representatifnya. Nah, jadi kaitan antara nilai Adjusted R Square Anda dengan pendapat dosen Anda yang menganggap "nilai tu terlalu besar dan berbahaya" haruslah dikaitkan dengan pengertian "penyusutan" tersebut. Mungkin, yang dikhawatirkan dosen Anda adalah nilai R Square tersebut (Koefisien Determinasi) yang terlalu besar (mendekati 1 sebagai pengaruh sempurna). Demikian, semoga bermanfaat.

      Hapus
    2. nilai R square saya 0,987465 pak.
      Bagaimana menurut bapak ??

      Hapus
    3. Nilai R Square digunakan saja untuk mencari Koefisien Determinasi yaitu 0,987465 x 100% = .... Hasilnya menyatakan VB mempengaruhi VT sebesar .... % . Sisanya 100% - ......% ditentukan variabel-variabel lain yang tidak disertakan dalam penelitian.
      R Square - Adjusted R Square = 0,987465 - 0,98377 = 0,003695. Dengan demikian penyusutan yang terjadi manakala model regresi anda diterapkan pada populasi dipediksi hanya akan mengalami penyusutan sebesar 0,003695% dari kemampuan VB-nya memprediksi varians VT-nya.
      Semoga bermanfaat.

      Hapus
  54. terimakasih banyak atas tulisan2nya pak, sangat membantu sekali :)

    BalasHapus
  55. Pak Seta, saya mahasiswa yang sedang mempersiapkan diri untuk sidang,mau mengajukan beberapa pertanyaan:
    1. untuk melihat efektifitas masing-masing VB terhadap VT dengan menggunakan nilai Beta. apakah nilai beta juga bisa dijadikan persentase seperti nilai adjust R Square?
    2. apakah signifikansi dan probabilitas adalah suatu istilah yang sama pak?
    3. kemudian apakah yang dimaksud dengan ZPRED, SRESID, dan SPRED?
    terimakasih banyak pak.

    BalasHapus
    Balasan
    1. 1. Nilai Beta pada Standardized Coefficients (Tabel Coefficients) umumnya menunjukkan nilai serupa dengan R (Tabel Model Summary). Jika nilai Beta itu positif dan sig. hitungnya signifikan, maka pengaruh positif. Jika Beta negatif, maka pengaruh negatif. Dalam Regresi Berganda, nilai Beta mengindikasikan hubungan yang lebih masing-masing VT atas VB. Positif dan negatifnya mencerminkan hubungan tersebut. Peruntukan nilai Beta ini tentu berbeda tujuan dengan Adjusted R Square. Untuk Adjusted R Square lihat komentar-komentar di bagian atas.
      2. Probability Value, p-value, atau signifikansi umumnya disimbolkan p. Kiranya serupa. Ukuran p-value umumnya 0,1, 0,05 ataupun 0,01. Entitas yang diacu sama.
      3. (a) ZPRED adalah nilai-nilai prediksi yang distandardisasi dari VT yang didasarkan. Nilai-nilainya merupakan bentuk terstandardisasi dari aneka nilai yang hendak diprediksi oleh model regresi; (b) SRESID adalah Studentized Residual yaitu variasi dari ZPRED berupa RESID (Unstandardized Residual) dibagi standar deviasi yang diestimasikan, nilai SRESID ini lebih akurat dalam menaksir error variance dari suatu perhitungan. (c) SPRED?? Kalau Residual adalah perbedaan antara nilai yang hendak diprediksi oleh mode dengan nilai data yang diamati (diobservasi) dengan mana model tengah diuji.
      Sama-sama. Semoga bermanfaat.

      Hapus
    2. sangatbermanfaat pak, terimakasih banyak. saya ingin bertanya mengenai satuhal lagi. bagaimana mencari linearitas dalam regrsi pak? karena saya masih bingung, ada beberapa referensi yang mengatakan bahwa linearitas dilihat dari P-P Plot, apakah benar seperti itu pak?
      sekali lagi terimakasih.

      Hapus
    3. Linieritas dalam regresi (dengan SPSS) bisa dilihat dengan menyilangkan ZRESID (masukkan ke Y-axix) dengan ZPRED (masukkan ke X-axis). Saat menyeting uji regresi klik tombol Plot. Masukkan keduanya.
      Dari Graph yang muncul hasil output SPSS perhatikan pola plot data yang dibentuk sumbu X (Regression Standardized Predicted Value) dengan sumbu Y (Regression Standardized Residual). Asumsi Linieritas terpenuhi apabila plot-plot data bercorak acak, menyebar, tidak membentuk pola jelas tertentu. Asumsi Linieritas "violated" apabila plot-plot data membentuk pola kurva, gelombang, mengumpul di sebelah kiri atau di sebelah kanan.
      Sama-sama. Semoga bermanfaat.

      Hapus
  56. salam sejahtera, apa kabar Pak seta?
    jika diperkenankan, saya ingin bertanya.

    Saya sedang mengerjakan skripsi dan memiliki masalah di bagian adjusted R square.
    nilai adj. R square saya hanya sebesar 0,082

    dimana menurut dosen pembimbing saya nilai tersebut terlalu rendah dan tidak dapat digunakan.

    saya sudah mencoba mencari penyebabnya seperti saran dosen saya, seperti membuang pertanyaan variabel bebas yang tidak valid dan outlier
    data saya sudah valid, reliabel, dan tersebar normal, akan tetapi hanya 1 masalah saja yang tersisa yaitu tetap nilai adjusted r square saya tetap rendah, mohon dibantu

    BalasHapus
    Balasan
    1. Salam sejahtera pula untuk Anda.

      Intinya, nilai Adjusted R Square memberikan gagasan soal seberapa baik model regresi kita melakukan penyimpulan. Idealnya, nilai tersebut adalah sama, atau paling tidak, mendekati nilai R Square. Dengan nilai Adjusted R Square ini kita akan mampu memprediksi kesesuaian model regresi kita (yang dihitung menggunakan sampel) dengan prediksi model kita tatkala nanti dilakukan langsung atas populasi. Bagaimana cara menghitung kesesuaian tersebut? Caranya adalah R Square - Adjusted R Square. Misalnya, nilai R Square anda 0,090. Jadi 0,090 - 0,082 = 0,008. Kalikan 0,008 dengan 100% = 0,8%. Dengan demikian disimpulkan (berdasarkan 0,8% ini) bahwa jika model regresi kita diturunkan langsung dari populasi (yang sesungguhnya, bukan sampel) maka varians yang mampu ditaksir dari hasilnya hanya akan menyusut sebesar 0,8%. "Penyusutan" 0% adalah kondisi ideal yang diharapkan, sehingga semakin serupa Adjusted R Square dengan R Square adalah semakin baik.

      Dengan demikian unsur "sampel" ini jadi penting. Peneliti (terutama dosen) yang punya "masalah" dengan besaran nilai Adjusted R Square sebaiknya melihat nilai R Square. Sebaiknya nilai R Square lebih besar dari rumus k/(n-1). k = jumlah Variabel bebas. n = jumlah sampel. Silakan Anda hitung nilai k/(n-1) tersebut. Jika nilainya lebih besar dari R Square maka Adjusted R Square anda fine-fine saja. Jika lebih kecil dari R Square maka "mungkin" ada yang harus dikoreksi.

      Selama unsur-unsur validitas dan reliabilitas instrumen juga asumsi-asumsi uji regresi tidak terlanggar (misalnya sampel > 50 + 8m dimana m adalah jumlah Variabel Bebas), maka sebaiknya berapapun angka yang "disuguhkan" diterima. Memang, ada asumsi "aneh" di kalangan akademisi yang menyatakan bahwa jika nilai R Square kecil, Adjusted R Square kecil, maka penelitian mahasiswa bermasalah. Bahkan, dalam situasi ekstrim, ada sejumlah "dosen" yang menyuruh mahasiswa merekayasa sedemikian rupa jawaban responden penelitian agar hitungan R Square-nya jadi besar. Waw! Jika demikian maka untuk apa susah-payah mahasiswa meneliti jika hasil yang diharapkan sudah dipatok sebelumnya? Ingat, R Square, Adjusted R Square dan angka-angka lainnya adalah "angka." Hal yang lebih penting (tapi kerap dilupakan) adalah bagaimana menginterpretasikan hasil uji statistik kepada Hipotesis, apa makna mereka atas situasi "nyata" di lapangan, responden, model analisis, dan lain hal yang bersifat "kualitatif."
      Demikian. Semoga bermanfaat.

      Hapus
  57. Komentar ini telah dihapus oleh penulis.

    BalasHapus
  58. salam kenal pak seta, saya icha
    saya mau bertanya pak, skripsi sy analisis rasio untuk memprediksi fintres, data sampel saya ada 36 kemudian sy uji normalitasnya dengan KS ada 4 rasio yg tidak normal, kemudian saya uji lg pakai yg ada cook's nya dan ada 1 variabel yg tdk normal, bolehkah saya transform variabel tersebut kemudian saya uji normalitas lagi? atau sebaiknya saya transform dulu sebelum dilakukan uji normalitas cook's sebelumnya? (mengingat nilai cook apabila lebih dari 1 harus dihapus). termiakasih pak mohon bantuannya.

    BalasHapus
    Balasan
    1. Mungkin bisa dimulai dari uji validitas item, keluarkan yang tidak valid. Teruskan hingga seluruhnya valid. Setelah itu uji reliabilitasnya dilihat. Baru dilanjutkan dengan uji-uji asumsi seperti jumlah sampel minimal, outlier dan sebagainya. Mungkin ada outlier di sana. Mohon diperiksa kembali. Setelah itu lakukan uji normalitas pra transform, lihat hasilnya. Bandingkan dengan uji normalitas pasca transform, lihat hasilnya. Keluarkan variabel yang tidak normal (setelah yakin), lalu kembali lakukan uji normalitas. Kalau pertanyaannya bolehkan ditransform dahulu sebelum uji normalitas, ya silakan saja. Namun, data Anda ada di skala rasio, dan skala tersebut adalah "tertinggi" menyerupai nilai sebenarnya.
      Sama-sama. Semoga bermanfaat.

      Hapus
  59. Terima kasih banyak pencerahan dari bapak....satu hal yang ingin kami tanyakan, ada artikel yg menyebutkan apabila menggunakan skala linkert maka lebih baik koefisien yg digunakan adalah Beta pada Standarized Coefficients,keuntungannya mampu mengeliminasi perbedaan unit ukuran variabel bebas, apa yang dimaksud? Sehingga konstanta tdk masuk dlm persamaan linear, nilai beta yg dimasukkan dalam persamaan adalah semua atau masih melihat nilai sig. nya yang signifikan...terima kasih

    BalasHapus
    Balasan
    1. Tabel Coefficient intinya menceritakan VB (atau VB-VB) mana dari model regresi kita yang punya kontribusi dalam memprediksi VT. Untuk regresi berganda misalnya, nilai Beta pada kolom Standardized Coefficients di tabel ini gunanya untuk memperbandingkan aneka VB, karena nilainya sudah "distandardisasikan". Standarisasi terjadi akibat nilai-nilai di setiap variabel telah dikonversi ke dalam skala yang sama. Karena sama skala ini maka kita dapat memperbandingkan aneka VB lewat nilai ini. Jadi, nilai Beta pada Standardized Coefficients berfungsi untuk membandingkan "peran" masing-masing VB dalam memprediksi perubahan VT. Tentu saja, penting dilihat nilai sig. nya. Belum tentu nilai Beta yang besar juga signifikan. Dan, tentu saja ia berlaku bukan hanya untuk skala Likert melainkan juga skala-skala lainnya: Itu karena nilai ini dapat melakukan "perbandingan" karena sifat standardnya itu. Saya tetap menyarankan, jika skala Likert yang digunakan pada item-item kuesioner VB adalah 1 s/d 5, demikian juga untuk yang VT harus 1 s/d 5. Agar ada konsistensi. Perbandingan "peran" VB atas VT ini melihat angka bilangan asli saja (tidak memedulikan tanda negatif). Misalnya: VB1 = -.525 VB2 = .213. Maka disimpulkan VB1 telah menciptakan kontribusi unik yang lebih kuat (ketimbang VB2) dalam menjelaskan VT.

      Nah, untuk menghitung persamaan prediksinya gunakan nilai Constant dan B pada kolom Unstandardized Coefficients. Tentu saja nilai sig. tetap harus dilihat sebagai dasar penentuan signifikan atau tidak signifikannya perhitungan tersebut.
      Demikian. Semoga bermanfaat.

      Hapus
  60. OK pak makasih masukannya....satu lagi pak nilai konstanta negative itu artinya apa? Dan apakah sangat berpengeruh di dalam analisa hasil regresi terutama dalam fenomena sosial?

    BalasHapus
    Balasan
    1. Masih di tabel Coefficients, khusus pada kolom Unstandardized Coefficients. Di sana terdapat nilai (Constant) yang menjelaskan Model Regresi. Nilai Constant ini adalah Intercept Y. Nilai Constant ini (kerap dalam persamaan disimbolkan a atau b0) bermakna apabila b1x1 bernilai 0 maka model regresi kita memprediksi Y sebesar b0 (atau a, konstanta), yaitu nilai konstanta itu sendiri, dan tentu saja akan berubah jika b1 dan x1 tidak sama dengan 0.
      Contoh: Dari Tabel Coefficients (Unstandardized Coefficients) diperoleh b0 (konstanta) = -50,00. Nilai b1 = 0,50. Nilai X1 = 7,5. Maka Y (VT yang hendak diprediksi) adalah Y = -50,00 + (0,50 x 7,5) = -46,25. Namun, jangan dianggap hubungan bersifat negatif, karena negatif-positif suatu hubungan ditunjukkan oleh b1 (jika regresi sederhana) atau b1, b2, bn (jika regresi berganda). Nilai konstanta tentu saja berpengaruh terhadap persamaan model regresi kita utamanya dalam memprediksi Y.
      Demikian. Semoga bermanfaat.

      Hapus
  61. untuk menentukan tingkat signifikan yang kuat dan lemah diliat dari tabel mana yak pak?? saya menggunakan regresi berganda

    BalasHapus
    Balasan
    1. Untuk menentukan koefisien determinasi dapat dilihat nilai R Square pada tabel Model Summary, di mana nilai ini biasa dirujuk sebagai deskripsi kuat-lemah pengaruh prediktor. Untuk menentukan perhitungan rumus model regresi lihat tabel Coefficients, juga jangan dilupa nilai sig. hitungnya.

      Hapus
  62. makasih artikelnya, sangat bermanfaat. namun ada yang ingin saya tanyakan mengenai uji t
    bagaimana jika nilai t hitung < t tabel, namun signifikan. apakah dia berpengaruh atau tidak?

    BalasHapus
    Balasan
    1. Nilai t hitung berguna dalam mengukur apakah prediktor (VB) membuat kontribusi yang signifikan atas model regresi kita. Jika t hitung yang berhubungan dengan nilai beta signifikan (yaitu jika nilai pada kolom Sig. hitung < 0,05) maka prediktor dinyatakan membuat kontribusi signifikan atas model. Semakin kecil nilai Sig. hitung (dan semakin besar nilai t), maka semakin besar pula kontribusi prediktor tersebut atas model. Nilai t tabel bergantung pada signifikansi penelitan kita, arah prediksi hubungan (1-tailed atau 2-tailed), jumlah sampel, dan jumlah prediktor. Penentuannya menggunakan degree of freedom yang dicari dengan rumus N - p - 1, dimana N = jumlah sampel, p = jumlah prediktor. Semakin besar jumlah sampel dan semakin sedikit prediktor, maka semakin kecil df, semakin kecil pula nilai t tabel. Demikian jika jumlah sampel kecil, semakin banyak prediktor, maka semakin besar df, semakin besar pula t tabel. Jika memang kondisi anda sungguh terjadi (cukup jarang, memang) yaitu dimana nilai t hitung < t tabel, namun signifikan, maka dapat dinyatakan bahwa prediktor memiliki kontribusi yang signifikan untuk tidak memberikan pengaruh atas model regresi.

      Hapus
  63. salam pak seta, saya bobi mahasiswa akhir, saya mau tanya tentang hasil regresi berganda saya yaitu Y=-0.755X1+0.365X2-0.463X3-0.042X4+0.032X5-0.364X6+e dinama y=kepuasan dan x1-x6=kualitas layanan,yang saya mau tanyakan bgaimana cara baca persamaan ini karena saya bingung dengan nilai konstanta yang negatif.terima ksih..sya tggu blsana pak

    BalasHapus
    Balasan
    1. Harus diwaspadai, nilai konstanta hasil uji regresi SPSS ada dua macam. Pertama Konstanta 0 (Bo) yang ada di kolom model (Constant) Unstandarized Coefficients (B). Kedua nilai Beta yang ada di di Standardized Coefficients. Untuk yang pertama, positif atau negatifnya no problem, dihitung saja. Untuk yang kedua, positif atau negatifnya menunjukkan arah hubungan dan yang diharapkan adalah tidak sama dengan 0. Jika nilainya (-) maka arah pengaruh negatif. Jika nilainya (+) maka arah pengaruh positif.
      Misalnya dalam contoh anda: Terlebih dahulu anda harus sematkan nilai Konstanta model (Constant) dahulu, yang mana nilainya ada dalam pengertian yang PERTAMA. Selanjutnya baru dimasukkan nilai-nilai lainnya (sudah anda tulis yaitu -0.755X1+0.365X2-0.463X3-0.042X4+0.032X5-0.364X6+e). Untuk perhitungan anda rumusnya adalah: Y = Bo+(-0,755.x1)+(0,365.x2)+(-0,463.x3)+(-0,042.x4)+(0,032.x5)+(-0,364.x6).
      Semoga bermanfaat. Nilai x1 s/d x6 dari mana? Ya diambil dari sampel. Misalnya, sampel nomor 1 nilai x1=60, x2=70, x3= 80, x4=90, x5=10, dan x6=30, maka persamaan anda menjadi Y = Bo+(-0,755.60)+(0,365.70)+(-0,463.80)+(-0,042.90)+(0,032.10)+(-0,364.30). Demikian pula untuk sampel nomor 2 dan seterusnya.
      Salam kembali. Semoga bermanfaat.

      Hapus
  64. saya reska,, salam kenal pak seta basri..
    mohon bantuannya untuk menjelaskan mengapa nilai adjusted R2 saya nilainya hanya 0,271. atau pengaruh VB thdap VT secara simultan hanya 27,1%. (VB ada 3, VT ada 1)
    menurut dosbing saya hal tsb jd tidak sesuai dgn teori yg ada dan hasil tsb dinilai bermasalah krn nilainya terlalu sdikit. Pdhl dari nilai Fhitung>Ftabel, dan nilai SigF<0,05 (sudah sesuai dgn ketentuan uji F/ simultan), jadi mnurut saya kan antara VB dan Vt sudah ada pengaruh yg positif dan sig,tak masalah mskipun nilai adjusted R2 hanya 27%.
    nah stelah sudah saya jabarkan sperti diatas kpd dosbing saya, tetap saja dosen saya meminta penjelasannya mengapa nilai adjusted R2 kecil. Jujur saya bingung karena tidak tau mengapa nilai adjusted R2 kecil. Mohon bantuannya pak.. terimakasih sbelumnya (maaf tanya nya sekalian curhat atas kebuntuan mngerjakan skripsi :D)

    BalasHapus
    Balasan
    1. Salam juga. Nilai Adjusted R Square sebenarnya menggambarkan penyusutan yang akan terjadi andaikata model regresi kita terapkan atas populasi, bukan sampel. Penyusutan dihitung dari R Square - Adjusted R Square = ....% Nah, nilai ....% itulah yang diprediksi sebagai penyusutan yang akan terjadi.
      Untuk memprediksi kekuatan model atas variabel yang diselidiki, sebaiknya digunakan R Square, bukan adjusted, dikalikan 100%. Soal mengapa nilai R Square kecil, yang memang seperti itu hasilnya. Jika validitas instrumen, reliabilitas instrumen, dan rangkaian uji asumsi regresi sudah dilaksanakan, maka hasil tersebut harus diterima. Ingat, penelitian dilakukan atas "sampel", bukan "populasi." Kebanyakan teori diterapkan untuk menjelaskan "populasi", bukan sampel. Sebab itu, penting untuk mengukur penyusutan tadi.
      Juga, memang perlu pula dihitung proporsi sampel dengan jumlah prediktor. Untuk ini, Anda bisa lihat komentar-komentar di atas soal estimasi sampel berdasarkan jumlah prediktor yang digunakan. Tidak terlupa, justru penelitian diadakan dalam kerangka ilmiah, khususnya alur verifikasi bahkan falsifikasi teori. Sebagai penguat, mungkin Anda juga bisa referensikan kepada "dosbing" Anda penelitian lain sejenis yang sesungguhnya variatif nilai R Squarenya.

      Hapus
  65. judul penelitian saya analisis persepsi konsumen terhadap keputusan pembelian..data yg diambil untuk regresi itu data yg mana yah?
    saya msih bingung sekali..
    apakah data dari kuesioner itu sendiri,atau data seperti apa?

    BalasHapus
    Balasan
    1. Dari judul (mungkin) ada dua variabel penelitian: Persepsi Konsumen (VB) dan Keputusan Pembelian (VT). Persepsi Konsumen diukur lewat sejumlah indikator (misalnya ya ... Image, Iklan, Harga). Keputusan Pembelian diukur lewat sejumlah indikator (misalnya ya ... Cash, Kredit, Indent).
      Setiap indikator dituangkan (diukur) dengan instrumen penelitian: Kuesioner. Setiap indikator bisa diukur lewat 2 atau lebih pernyataan. Jika masing-masing dua, maka VB diukur oleh 6 pernyataa. Demikian pula VT karena variabel tersebut terdiri atas 3 indikator.
      Setiap pernyataan dalam kuesioner diberi skala (umumnya) ordinal bertipe Likert, misalnya SS = 1, S = 2, RR = 3, TS = 4, dan STS = 5. Sampel penelitian misalnya 60 responden. Misalnya pakai Excel, kolom 1 berisi responden (baris 1 s/d 60) kolom 2 item VB indikator 1.1, kolom 3 item VB indikator 1.2, kolom 4 item VB indikator 2.1. dan seterusnya.
      Jawabannya, data dari kuesioner berupa angka-angka itu.

      Hapus
  66. mau tanya,,ada sumber mengatakan pada uji park yg di'Ln itu hasil yg bukan persentase..
    misal x3 data rupiah,jadi Ln_x3 lalu pd regresi x3 diganti Ln_x3,,apa kah benar???thx

    BalasHapus
    Balasan
    1. Ya. Namanya saja logaritma natural.
      Semoga bermanfaat.

      Hapus
  67. maaf pak seta ini sya bobi yg tanya "salam pak seta, saya bobi mahasiswa akhir, saya mau tanya tentang hasil regresi berganda saya yaitu Y=-0.755X1+0.365X2-0.463X3-0.042X4+0.032X5-0.364X6+e dinama y=kepuasan dan x1-x6=kualitas layanan,yang saya mau tanyakan bgaimana cara baca persamaan ini karena saya bingung dengan nilai konstanta yang negatif.terima ksih..sya tggu blsana pak"..persmaan yg sya buat slah yg bnar nilai bo/konstanta:-0.775,apakah ini berati kalau nilai variabel independen konstan berati nilai Y bernilai negatif dan salah berati ya pak???sya pake yg unstandardized coefficients,krn sya ingin meneliti pengaruh VB trhdp VT

    BalasHapus
    Balasan
    1. Konstanta yang Unstandardized .... (Bo) belum menunjukkan arah. Kalau yang di Standardized .... itulah yang menunjukkan arah. Bo negatif ataupun positif tidak menunjukkan kesalahan kok. Perhitungan persamaan regresi belum selesai, karena masih ada B1, B2 dan seterusnya.
      Semoga bermanfaat.

      Hapus
    2. oooww bgtu z pak,brati klo k 6 VB itu bernilai konstan berarti nilai VT -0.775 pak,barti smkin tinggi nilai VB membuat nilai VT menurun z pak??trma ksih atas jwbana pak,wlpun sdkit msih bingung..hehehe

      Hapus
    3. Konstanta yang dimaksud adalah beta yang di kolom Unstandardized Coefficient. Jika nilai b1 s/d bn ataupun x1 s/n bernilai 0, maka kontanta tersebutlah yang berlaku. Taksiran arah hubungan bukanlah beta yang di unstandardized coefficient, melainkan beta yang di Standardized Coeffients. Hal ini penting mengingat yang digunakan adalah uji regresi berganda.

      Hapus
  68. Ass Wr.Wb
    Pak seta, saya aprilia.
    mau tanya..
    untuk penelitian yang menggunakan populasi.. apakah harus menggunakan uji asumsi klasik atau tidak?
    Bila tidak, langkah seperti apa yang harus saya lakukan dalam menentukan pengaruh dengan menggunakan metode regresi linear berganda?
    terima kasih

    BalasHapus
    Balasan
    1. Wa 'alaikumus salam.
      Dalam salah satunya, uji asumsi memeriksa apakah terdapat hubungan antar sesama variabel bebas. Uji asumsi klasik sebaiknya tetap digunakan untuk kesahihan hasil analisis/penelitian.

      Hapus
  69. Salam kenal Pak Seta.
    Saya Agnes.
    Saya mau tanya Pak..

    Bila terdapat 5 (lima) variabel terikat sbb :
    Return on equity (satuannya/ dinyatakan dalam PERSENTASE)
    Net profit Margin (satuannya/ dinyatakan dalam KALI)
    Current ratio (satuannya/ dinyatakan dalam KALI)
    Inventory turnover (satuannya/ dinyatakan dalam KALI)
    Total asset turnover (satuannya/ dinyatakan dalam KALI)
    apakah bisa kita membentuk 1 (satu) variabel terikat baru, dengan mengambil rata-rata dari kelima variabel tsb?

    Terimakasih sebelumnya pak..

    BalasHapus
    Balasan
    1. Wah. Kalau penelitiannya 5 variabel terikat, terus terang saya juga belum pernah mempelajarinya. Paling banter anda korelasi kanonikal dua variabel terikat. Itupun di SPSS harus mengetik rumus-rumus tambahan. Kalau 5 ...?
      Namun, Anda pasti telah memahaminya sehingga dari 5 variabel terikat di kompresi menjadi 1 (satu). Dari nama-namanya kelihatannya bidangnya akuntansi sekali ya? Saya tidak menguasai bidang tersebut. Namun, bisa disarankan Anda memang buat saja 1 (satu) variabel terikat (misal namanya Neraca ... he ... he ...). Kelima variabel "terikat" tadi kamu jadikan saja Indikator. Nah, variabel bebasnya sendiri apa?
      Dari satuan-satuannya (persen, kali) kelihatannya tidak masalah. Kamu ada di dalam Skala Rasio. Justru skala tersebut paling baik. Jangan dirata-ratakan, karena mereka adalah indikator-indikator suatu variabel (neraca ...). Sikapi mereka secara otonom karena skala rasio mendeskripsikan kondisi yang sesungguhnya dan bernilai fix. Tidak seperti skala nominal dan ordinal.
      Sama-sama. Semoga bermanfaat.

      Hapus
    2. Makasih sekali nih Bpk bersedia menjawab pertanyaan saya.
      iya Pak,,memang ini penelitian di bidang akunting.

      Variabel bebasnya dividend per share dan Earnings per share
      variabel terikatnya kinerja keuangan (diukur dgn rata2 5 variabel td).

      tadinya saya memang mau menggunakan regresi kanonik, namun apabila ada salah satu saja dari 5 variabel Y tsb yang tidak dipengaruhi oleh variabel bebas, akan terjadi masalah pada generalisasi. Penelitian saya tidak memerlukan uji parsial..hanya pengujian secara simultan yang diambil, berdasarkan konsep awal dr penelitian ini.

      maka itulah saya mengganti analisis menjadi regresi linear berganda dgn cara merata2kan Y.

      Oh iya Pak, kalau nilai unstandardized residual = 0
      maksudnya apa yah Pak? soalnya setelah saya lakukan analisis, muncul warnings pada output SPSS. warnings mengenai pengaruh statistik yang tdk bs diukur karena FIT yang sempurna. apakah data yang seperti ini masih layak di analisis?

      Hapus
    3. Residual ini berkait dengan garis regresi. Garis ini amat dipengaruhi ada-tidaknya outlier (data yang melenceng jauh dari kebiasaan data lain). Nah, apa yang sesungguhnya hendak dikisahkan oleh residual adalah, perbedaan antara nilai-nilai yang nantinya diperoleh lewat model regresi (persamaan regresi) dengan nilai-nilai yang dihasilkan lewat sampel itu sendiri. Diskrepansi antara kedua nilai inilah yang disebut sebagai residual. Residual sekaligus pula mengisahkan error yang menggejala pada model. Jika sebuah model regresi "fit" dengan data sampel maka residual-residual akanlah kecil. Bahkan, jika suatu model "fit" secara sempurna dengan data sampel, maka seluruh residual akan bernilai 0. Sebaliknya, jika sebuah model regresi "poor fit" dengan data sampel maka residual-residualnya akanlah besar. Nah, semakin besar residual inilah yang mengindikasikan adanya outlier tadi.
      Unstandardized Residuals merupakan salah satu jenis dari residual yang tengah dibicarakan. Namun, ia sulit untuk untuk diinterpretasi bagi aneka model regresi yang berbeda, karena unstandardized residuals adalah "residu" suatu model yang diekspresikan menurut hitungan unit asli dari aneka variabel yang kita uji. Sebab itu, sebaiknya digunakan yang standar yaitu Unstandardized Residuals. Residu ini sudah disinkronkan dengan standar deviasi sehingga dapat ditafsirkan. Cara membacanya dengan mengomparasi nilai z-score hitung dengan z-score tabel. Sebelumnya, berapa Taraf Keyakinan penelitian Anda? Baiklah, ambil contoh 95% (kalau rasio sebenarnya bisa saja 99%, he .. he ...).
      Jika 95%, maka z-score hitung harus ada di antara -1,96 dan +1,96. (Kalau tarafnya 99% antara -2,58 dan +2,58; Kalau tarafnya 99,9% antara -3,29 dan +3,29). Cara menafsirkannya berdasar z-score hitung sebagai berikut:
      - Jika Standardized Residuals (SR) > 3,29 maka model kita patut dipertanyakan.
      - Jika SR > 2,58 (<3,29) maka tingkat error model tidak bisa diterima karena model buruk "fit" nya dengan data sampel.
      - Jika SR > 1,96 maka model kita bisa diterima tetapi buruk dalam merepresentasikan data sampel aktual.
      Nah, bagaimana kalau 0 ? Tentu saja SPSS "gagap" karena prediksi model sempurna sesuai dengan data sampel. Silakan dipelajari.
      Demikan, semoga bermanfaat.

      Hapus
    4. kalo begitu, artinya dalam persamaan regresinya tidak mencantumkan unsur "e" (error) ya Pak? karena model fit nya perfect dengan sampel.
      apakah kondisi fit perfect ini dapat terjadi karena sangat minimnya jumlah data (n)?
      Menurut Bapak,apakah model ini tetap layak untuk dilanjutkan analisisnya? Saya benar2 bingung Pak, maklumlah hanya pemula hehehehehe..
      terimakasih.

      Hapus
    5. o iya Pak..saya sudah coba gunakan standardized residual, tp hasilnya tetap sama. muncul kolom ZRES di data view SPPS saya dengan nilai NOL semua..

      Hapus
    6. Ya, kemungkinan besar seperti itulah kondisinya. Skala rasio merepresentasikan nilai yang sesungguhnya jik asumsi-asumsi regresi telah terpenuhi maka terima hasil tersebut dan lanjutkan analisisnya.

      Hapus
    7. Baik, Pak..
      trimakasih sekali atas bantuannya..sangat bermanfaat.

      Hapus
    8. Maaf,Pak..mau nanya lagi nih heheehehe..
      kalau setelah dilakukan uji F, ternyata signifikansi uji F >0.05
      artinya tidak signifikan ya Pak? (taraf sig penelitian saya 0.05)
      apakah hal ini berarti model/persamaan regresi tersebut tidak dapat diterima?
      Langkah apakah yang sebaiknya saya ambil,Pak?
      apakah ada alternatif pengujian lain selain uji F?
      Terimakasih banyak atas jawabannya.

      Hapus
    9. Mohon periksa jumlah sampel. Kamu menggunakan 2 VB, dan jika jumlah sampel minim kemungkinan besar mempengaruhi hasil pengujian. Jika demikian, ada baiknya ditambah jumlah sampel. Namun, ada baiknya pula dipertimbangkan kenyataan "data berbicara." Demikianlah hasil penelitian yaitu sig. F > 0,05. Persoalan mengapa nilai sig. bisa > 0,05 ini terutama berkait jumlah sampel: Makin besar sampel, makin tinggi kemungkinan sig. < 0,05. Lalu bagaimana modelnya? Model tentu saja masih dapat diterima kendati tidak signifikan secara statistik (lihat nilai R Square-nya).

      Hapus
  70. Yap yap yap..
    Thank U Pak Seta, Tulisannya benar-benar joss..
    jadi faham dah sekarang...
    Saran pak klo boleh lain kali buat tutorial statistik plus sreenshoot spssnya donk, biar yang gaptek kek aku lebih mudah, hhe hhe..
    peace!!:P

    BalasHapus
    Balasan
    1. Terima kasih. Usulannya bagus, dan memang agar lebih jelas harus menggunakan screenshot. Jika ada kesempatan hal tersebut patut dibuat.

      Hapus
  71. siang pak.. sy ada masalah saat mengolah regresi linear sy..
    jumlah sampel sy 52 dari 198 populasi perusahaan manufaktur setelah di kriteriakan.
    jumlah VB sy 4, dengan 4 var kontrol.
    tp saat sy regresi kan di spss, salah satu VB sy tdk muncul pada tabel "variable entered" maupun tabel "coeficients".
    malah VB sy yg satu itu muncul pada tabel "excluded variable"
    Dengan keterangan di bawah tabel huruf "a. tolerance =.000 reached"

    apakah bapak bisa tolong saya alasan mengapa variabel sy itu tdk muncul? dan bagaimana memperbaikinya?
    sy bingung pak..
    tolong dibantu segera, karena waktu sangat terbatas>>
    terimakasih.. :)

    BalasHapus
    Balasan
    1. Ada berbagai macam sebab. Paling utama kiranya jumlah sampel. Regresi mempersyaratkan jumlah sampel > 50 + 8m (m = jumlah variabel bebas). Namun, penggunaan sampel juga dapat ditolerir jika peneliti menetapkan dampak (besar, sedang, atau kecil, lihat di bagian komentar-komentar atas.
      Sebab lain (kemungkinan) terjadinya autokorelasi antar sesama variabel bebas. Apakah uji-uji asumsi klasik regresi berganda sudah dilakukan sebelumnya? Juga, ada kemungkinan terjadi keberlebihan Variabel Bebas. Hal ini bisa terjadi manakalan jumlah sampel kecil sementara jumlah VB cukup banyak. Silakan dipelajari aneka asumsi di tulisan-tulisan bagian atas.
      Pastikan kembali, method regresinya apakah Enter, Hierarchical, ataukah Stepwise. Kemungkinan Anda melakukan yang bermetode Enter. Silakan dicoba yang metode Hierarchical ataupun Stepwise. Untuk coba-coba saja dan melihat apakah hasilnya serupa?
      Singkatnya, VB yang "keluar" tersebut ada masalah. SPSS masih "mempertimbangkan" apakah akan memasukkan ataukah tidak VB tersebut.
      Selamat mencoba.

      Hapus
    2. Dear Pak Seta Basri,
      saya mengalami hal yg serupa, yaitu pada varibel bebas muncul dalam "excluded variable". adapun variable tersebut adalah independensi komite audit dan menggunakan dummy (1- bila independen dan 0 bila tdk independen).

      adapun variabel Y adalah manajemen laba dan variabel bebas lainnya adalah efektivitas komite audit (mgunakan dummy juga) dan Leverage (menggunakan rasio).
      jumlah sample saya ada 87 (terdiri dari 29 perusahaan selama 3 periode)
      pada uji autokorelasi menggunakan durbin watson, hasil menunjukkan bahwa tdk ada autokorelasi antar variabel bebas.

      pertanyaan saya:
      1. mengapa utk Independensi KA mjd excluded variable? sedangkan utk efektivitas KA yg sama2 menggunakan dummy dan nilainya pun sama persis dgn Independensi KA, bisa masuk dlm tabel coeficient?
      2. awalnya menggunakan method regresi enter, lalu sesuai saran pak seta, saya mencoba menggunakan Stepwise, malah 2 variabel tersebut (Independensi dan efektivitas KA) menjadi Excluded variable.
      3. apa yg harus saya lakukan pak?

      trimakasih banyak atas bantuannya :)

      Hapus
    3. Maaf baru saya bahas sekarang. Hipotesis penelitian yang Anda ajukan apa ya? Apakah seperti ini: "Independensi Komite Audit (IKA) dan Efektivitas Komite Audit (EKA) mempengaruhi Manajemen Laba (ML)" ? Jadi terdapat 2 VB dan 1 VT. Asumsikan saja seperti itu. IKA diukur secara kategorik (1=Ya, 2=Tidak). EKA diukur secara kategorik pula (1=Ya, 2=3). Sementara VB (yaitu ML) diukur dalam skala apa? Andaikata VB bersifat kategorik (baik nominal ataupun ordinal) maka uji Regresi yang lebih tepat digunakan adalah Regresi Logistik. Soal bagaimana melakukan pengujian Regresi Logistik, cukup berlimpah buku dan artikel internetnya, kok. Ada kemungkinan variabel terus-menerus exclude akibat ketidaktepatan metode Uji Regresi yang dipakai. Semoga bermanfaat dan selamat mempelajari.

      Hapus
  72. assalamualaikum pak seta,,
    perkenalkan saya fitri,
    saya sedang melakukan pnelitian dengan menggunakan regresi berganda dengan menggunakan 6 var bebas
    ternyata, dari 6 variabel bebas tersebut, hanya ada 2 variabel bebas yang nilai signifikansinya dibawah 0.05
    manu tanya pak:
    variabel bebas yang nilai signifikansinya dibawah 0.05 itu msh blh dimasukkan kedalam persamaan regresinya atau harus dieliminasi ya pak? (tujuan akhir penelitian saya adalah membuat model/persamaan regresi)

    BalasHapus
    Balasan
    1. Wa 'alaikumus salam.
      Fitri, jika taraf keyakinan penelitian kamu 95% maka kedua variabel bebas tadilah yang dimasukkan ke dalam persamaan regresi. Ada baiknya pula jika kamu membuat model regresi (saat mengujinya dengan spss) dimana kedua VB tadi yang dijadikan prediktor.
      Demikian. Semoga bermanfaat.

      Hapus
    2. hehe... makasih ya pak udh dijawab..
      oiya pak tanya 1 lagi : dari 6 VB tersebut, 3 diantaranya adlh var dummy, nah salah 1 dummy nya masuk jd exclude variabel, kalo kaya gt brarti var yang exclude tadi juga ga berpengaruh atau gmana ya pak...

      Hapus
    3. Yang exclude intinya belum masuk ke dalam model sehingga nilai prediksinya belumlah lagi terkuantifikasi.

      Hapus
  73. Salam Pak. Saya ingin bertanya.. Pada tabel Coefficients, apa yang membedakan fungsi beta dengan B ya? Kemudian pertanyaan berikutnya.. Misalnya Adjusted R Square itu 0.251. Berarti kedua predictor memiliki pengaruh sbesar 25.1% terhadap outcome kan ya. Nah, bagaimana caranya kalau saya ingin tahu persentase masing2 predictor terhadap outcome ya Pak? Mohon bimbingannya. Terimakasih. :)

    BalasHapus
    Balasan
    1. Salam juga. Maksudnya B yang di kolom Unstandardized Coefficients (UC) dan Beta yang di Standardized Coefficients (SC). Sebenarnya keduanya hampir mirip fungsinya. B yang di UC mengisahkan 'kuantitas yang belum diketahui.' Misalnya nilai B dalam regresi dua VB adalah 0,08 dan 3,37 dan konstanta (Constant) -26,61. VT disimbolkan Y. Maka persamaan regresinya Y = -26,61 + (0,08.VB1)+(3,37.VB2). Maknanya', jika VB1 bertambah sebanyak satu unit maka Y pun meningkat sebanyak 0,08 unit, dimana tafiran ini benar sepanjang VB2 bernilai konstan. Juga, jika VB2 bertambah sebesar satu unit maka Y meningkat sebanyak 3,37 unit sepanjang VB1 bernilai konstan. Juga, positif negatif B mengisahkan pula arah hubungan, yang dalam contoh keduanya bersifat positif terhadap Y, dimana jika VB1 atau VB2 meningkat maka Y meningkat.

      Demikian pula yang di SC. Kelebihannya nilai Beta yang ada di sini mampu menginterpretasi secara lebih terstandar karena menggunakan standar deviasi atau SD. Nilai SD ini ada di tabel Descriptives Statistics. Oarena menggunaka SD maka interpretasi kita dalam persamaan regresi bebas dari pengaruh perbedaan skala pengukuran data tiap variabel. Misalnya, SD Y = 10,15, SDp VB1 = 80,69 dn SD VB2 = 12,27. Misal pula, Beta VB1 = 0,511 dan Beta VB2 = 0,512. Maka pediksinya jika VB1 meningkat sebesar satu SD (yaitu 80,69) maka Y meningkat sebesar satu SD nya (yaitu 0,511) sehingga dianggap jika ada setiap 80,69 yang meningkat dari VB1 maka akan ada perubahan Y sebesar 80,69 x 0,511 = ...... selama VB2 bernilai konstan. Demikian pula untuk Y dan VB2. Disarankan menggunakan SC ketimbang US.

      Untuk kekuatan hubungan sebaiknya gunakan R Square, bukan Adjusted R Square (alasannya lihat di komentar-komentar bagian atas). Jika hendak mengetahui persentase masing-masing prediktor maka dapat ditentukan pada saat memasukkan VB-VB dalam kotak Linear Regression tentukan di sana independent(s) satu per satu atau gabungannya dengan metode Enter dan pilihan Next. Lihat dan tafsirkan hasil uji yang ada di tabel Model Summary.

      Hapus
  74. untuk degree of freedom , daftar putaka memekai bukunya siapa ? terima kasih sangat bermanfaat

    BalasHapus
    Balasan
    1. Saya rekomendasikan buku ini:
      Singgih Santoso, Buku Latihan SPSS Statistik Non Parametrik (Jakarta: Elex Media Komputindo, 2001). Bahasannya singkat, tepat, dan jelas.

      Hapus
  75. salam sejahtera p.seta, saya andi mau tanya nih, bagaimana cara mengatahui besarnya pengaruh VB yang paling dominan dari uji t, beserta dasar teori statistiknya, trima kasih

    BalasHapus
    Balasan
    1. Untuk regresi berganda, nilai t hitung ini ada di tabel Coefficients. Cukup mudah dalam menafsirkannya. Nilai t adalah ukuran dalam mengira seberapa besar kontribusi yang disumbangkan prediktor atas model regresi kita. Apabila nilai t pada tabel adalah signifikan (misalnya < 0,05) maka ia signifikan atas model. Demikian pula, semakin besar nilai t tersebut, dan semakin kecil sig. nya, maka semakin besar kontribusi prediktor tersebut atas model kita.
      --Andi Field, Discovering Statistics Using SPSS (London: Sage Publications, 2009) p.239.

      Hapus
  76. Salam Pak Basri,
    Saya melakukan penelitian dengan menggunakan regresi ganda, tetapi dalam tabel "coefisients" saya belum menemukan rumus manual untuk mencari nilai "Sig." dan "Collinearity Statistics (baik yg nilai Tolerance dan VIF)".
    Mohon bantuannya Pak,,,

    BalasHapus
    Balasan
    1. Mohon konfirmasi ulang bahwa ke-24 langkah dalam artikel di atas telah dilakukan. Nilai Sig. pada tabel Coefficients ada di kolom Sig. (lokasinya tepat di sebelah kanan kolom t). Demikian pula untuk nilai Sig. dan Collinearity Statistics (keduanya saling menyebelah di tabel Coefficients.
      Demikian. Semoga bermanfaat.

      Hapus
  77. Permisi pak,saya stefany...
    saya baru melakukan uji asumsi klasik dan hasilny masih terjadi heteroskedastisitas, saya baca d literatur bs dengan melakukan transformasi logaritma sedangkan persamaan regresi saya sudah menggunakan log...
    apakah ada alternatif lain pak?mohon bantuannya...

    BalasHapus
    Balasan
    1. Salah satu asumsi untuk kelayakan uji regresi berganda adalah Homoskedastisitas. Salah satu alat hitung untuk itu adalah Uji Park, di mana setiap variabel dikonversi ke dalam Logaritma Natural. Ini sudah kamu lakukan, ya? Lalu masalah muncul ternyata data penelitian kamu mengalami Heteroskedastisitas (residual). Baiklah, sesungguhnya terdapat cara lain dalam melihat kondisi Homoskedastisitas ini.

      Saat melakukan klik-klik Linear Regression pada SPSS, coba klik Plots > Masukkan *ZPRED ke X > Masukkan *ZRESID ke Y > Ceklis Histogram dan Normal probability plot > Klik Continue.

      Nanti di Output perhatikan hasilnya (Hasil ini per Variabel Bebas): Lihat titik 0, lalu positif 100 dan negatif 100. Tarik garis imajiner (SPSS output tidak menyediakan ini) mulai dari - 100 tarik secara diagonal ke kanan melintasi 0 hingga + 100. (Nilai 100 ini mungkin bervariasi di hasil output Kamu). Data menyebar di atas dan di bawah garis diagonal imajiner tersebut mengasumsikan Homoskedastisitas. Juga, outlier-outlier tidak nyata terjadi (menumpuk di kiri atas, kanan bawah, dan sejenisnya). Demikian pula, lihat hasil untuk variabel-variabel lainnya. Selamat mencoba. Semoga bermanfaat.

      Hapus
  78. Two tumbs up. Ilmu yang bermanfaat, menjadi amal yang kekal dunia akhirat. Thank a lot. Tuhan memberkahi Anda.

    BalasHapus
  79. salam pak basri..
    saya ghizka ayu caca

    saya mw tanya ne pak,,, gmn pak cr mencari nilai antiln menggunakan excel pak.....

    saya cb tp gagal pak... hasilnya gak sesuai....

    saya dpt contoh pak,
    Ln Y = 5,311+ 0,0426KCl +0,04KL +0,292TSP +0,159Urea + 0,024Herb + 0,03TK

    kemudian diubah mnjd :

    Y = 202,55 KCL^0,0426 . KL^0,04 . TSP^0,292 . Urea^0,159 . Herb^0,024 . TK^0,03

    brarti hsl yg Y td merupakan hasil antiln kn pak??
    saya bnr2 bingung pak,,,
    mohon bantuannya pak,,, krn ne menunjang skripsi saya...

    trimakasih pak sblm n sesudahnya,,,,

    BalasHapus
    Balasan
    1. Mungkin link ini dapat membantu Anda:
      http://harisaryono.com/2011/07/logaritma-bagaimana-cara-menyelesaikan-logaritma-tanpa-kalkulator/
      Semoga bermanfaat.

      Hapus
  80. pagi pak. saya mau tanya kenpa dalam menentukan varibel yang memiliki pengaruh terbesar dilihat dari standardized residual,,???
    terima kasih.

    BalasHapus
    Balasan
    1. Standardized residual digunakan karena ia telah mengekspresikan Standard Deviasi dari hasil perhitungan. Sebab itu, ia telah mencerminkan posisi data dihadapkan dengan mean sampel (atau populasi). Sama-sama. Semoga bermanfaat.

      Hapus
  81. PAK CARA MENENTUKAN DF SAMA ALFA DALAM REGREESI TU GMN YA..

    BalasHapus
    Balasan
    1. Sumber ini layak sekali untuk Anda eksplorasi:

      http://junaidichaniago.com/2010/05/17/cara-membaca-tabel-t/

      Semoga bermanfaat.

      Hapus
  82. pak, mau tanya, hasil penelitian saya 125 responden dg regresi berganda r square 27,0, adjusted r square 22,7. namun syarat regresi normalitas tdk terpenuhi krn data tidak normal. tdk terjadi multikolinieritas dan heteroskedastis. yang ingin saya tanyakan, langkah pertama yg harus sy lakukan utk menormalkan data apakah membuang outlier atau mentranformasi (logaritma nol/ln?). sudah saya coba membuang outlier 5 responden dg standar deviasi > +/- 2,5 dan data menjadi normal dan menaikkan r square menjadi 39,3. atau apakah saya langsung me-ln kan saja data2 saya? karena dengan langsung me-ln kan, data menjadi normal dan r square 34,5. namun saat saya liat apakah ada outlier di data yg sudah di ln kan, ternyata ada juga. nah apakah outlier d data yg sudah di ln kan harus dibuang juga mengingat data sudah normal atau bagaimana. mohon saran pak. tks

    BalasHapus
    Balasan
    1. Berapa variabel bebas yang Anda gunakan? Jika 125 - 5 = 120 sudah memenuhi persyaratan n > 50 + 8m maka sebaiknya outlier tersebut dieliminasi saja. Ternyata Anda telah membuang outlier dari 5 responden dan sebaran data menjadi normal, bukan? Terlebih, ketika Anda konversi menjadi log natural justru data outlier tersebut masih bertahan.
      Demikian, semoga bermanfaat. Sukses untuk penelitian Anda.

      Hapus
  83. pagi pak.
    sbenarnya langkah yang tepat dalam analisa regresi itu tahapan nya seperti apa?
    sblum kita menganalisa regresi (dalam kasus regresi berganda) langkah pertama kita harus mengetahui besaran konstanta,koefisien regresi dan error nya?
    uji asumsi klasik dilakukan setelah kita menemukan perasamaan dari analisa regresi?
    saya msi bingung antara tahapan mencari koefisien regresi,uji asumsi klasik,test of goodfit

    BalasHapus
    Balasan
    1. o iya pak sama mau tanya 1 lg.
      skripsi saya masi masuk landasan teori di bab 2
      dan saya blom pernah menggunakan spss.
      saya baca dr bbrp sumber,
      byk yg memberikan rumus dr analisa regresia dan kemuadian lgsg keluar hasilnya.
      apakah penggunaan spss dalam analisa regresi untuk mencari koefisien dan konstanta dapat dicari secara otomatis jika kita memiliki data variabel bebas dan terikat yang lengkap?

      Hapus
    2. Selamat pagi. Menurut hemat saya, tahapan dalam analisa regresi adalah menentukan taraf keyakinan penelitian, uji validitas item, uji reliabilitas item, uji asumsi klasik (ragamnya ada di artikel di atas), barulah kita uji regresi (menggunakan persamaan R) yang diantaranya adalah mencari koefisien regresi. Setelahnya, lakukan pengujian hipotesis (sesuai taraf keyakinan penelitian), goodness of fit test, dan (jika ingin) koefisien regresi parsial kalau ingin lebih jauh mengenai pengaruh masing-masing variabel bebas terhadap variabel terikat.
      Demikian. Semoga bermanfaat.
      -------------------------------------------------------------
      Sebenarnya, dalam melakukan uji regresi tidak wajib seseorang menggunakan SPSS. SPSS adalah sekadar alat bantu statistik. Banyak orang yang lebih nyaman menghitung manual (beberapa cukup dengan excel) untuk melakukan uji regresi. SPSS digunakan apabila peneliti memiliki sejumlah keterbatasan, baik karena pengetahuan statistik, waktu, deadline, dan akurasi. Memang, dengan SPSS hal yang paling menyita waktu adalah ketika kita menginput data (coding) dari kuesioner ke dalam data view SPSS. Namun, sekali kita selesai menginput, hampir seluruh perhitungan regresi seperti konstanta, koefisien, dan lain-lain data otomatis dapat kita peroleh relatif lengkap. Jika Anda lebih nyaman menghitung dengan manual ataupun excel, maka sesungguhnya hal tersebut baik-baik saja.
      Demikian. Semoga bermanfaat.

      Hapus
  84. saya menggunakan data panel dan meregresikan dgn metode fixed effect,,,hasil regresi saya r squarenya bernilai 1 dan adjusted r square 0,99..salah satu variabel bebas tdk signifikan, nilai f signifikan, dan nilai dw berkorelasi negatif,,,
    ada yg salah tdk dgn regresi saya pak? mohon bantuannya pak,,terimakasih.

    BalasHapus
    Balasan
    1. Apakah Anda menggunakan regresi berganda? Anggapan saya demikian. Apakah hasil di atas merupakan output yang simultan ataukah parsial? Anggapan saya simultan. Jika nilai R Square semakin mendekati 1, maka semakin sempurna daya prediksi para VB atas VT. Adjusted R Square Anda jika dikalikan 100% adalah 99%. Maknanya, penarikan kesimpulan Anda yang saat ini menggunakan sampel, diprediksi akan 99% konsisten jika penarikan kesimpulan menggunakan populasi penelitian. Jika salah satu variabel bebas tidak signifikan, maka Anda harus memberinya catatan pada saat melakukan pembahasan hasil uji hipotesis. Signifikansi penelitian dapat dilihat dengan membandingkan alpha hasil (ah) perhitungan dengan alpha penelitian (ap) Anda (biasanya 0,05). Jika ah < ap maka nilai F signifikan. Demikian sebaliknya. Pengambilan keputusan dengan nilai F hasil hitung dilakukan dengan membandingkannya dengan F tabel. Korelasi negatif mencerminkan hubungan asimetris antara VB dengan VT.
      Dengan asumsi Anda telah melalui serangkaian uji asumsi regresi, maka tidaklah tepat guna menyebut regresi Anda salah.
      Demikian. Semoga bermanfaat.

      Hapus
  85. assalamualaikum
    pak, mau nanya nih.
    penelitian saya mempunyai satu VB dan satu VT (indikator nya 3)apakah saya harus menngunakan uji regresi berganda atau uji regresi sederhana ya pak? bingung ni. masih newbie.. hehehe
    terimakasih

    BalasHapus
    Balasan
    1. Wa 'alaikumus salam.
      Jika regresi yang dilakukan terdiri atas 1 VB dan 1 VT, maka digunakan uji regresi sederhana.
      Sama-sama. Semoga bermanfaat.

      Hapus
    2. apakah uji asumsi klasik diperlukan jika VB nya cuma 1 pak?
      terimakasih

      Hapus
    3. Tentu saja. Namun, tidak seluruh dari yang berlaku untuk regresi berganda berlaku bagi regresi sederhana. Cukup linieritas, normalitas residu, homoskedastisitas. Juga perlu pula dipertimbangkan jumlah sampel dan keberadaan outlier.
      Demikian. Semoga bermanfaat.

      Hapus
  86. mohon tanggapannya pak.. penelitian saya ada 6 model regresi. 2 regresi sederhana dan 4 regresi berganda. fokusnya pada uji hipotesis parsial (T). saya juga memakai uji F untuk menguji secara serentak dan mendapatkan hasil pada 2 model regresi tidak signifikan. apakah uji F harus selalu signifikan pak baru bisa di lanjut pada uji T? lalu bagaimana jika uji F tidak signifikan? terimakasih

    BalasHapus
    Balasan
    1. Fungsi dari F-test adalah rasio variabilitas rata-rata data yang dapat dijelaskan oleh model regresi dengan variabilitas rata-rata data yang tidak bisa dijelaskan oleh model. F-test juga menunjukkan kesesuaian (secara menyeluruh) suatu model regresi. Di sisi lain, T-statistics dalam regresi digunakan guna menguji apakah koefisien b sungguh-sunggu berbeda dari 0. Nilai F-test pada output SPSS ada di tabel ANOVA, sementara T-statistics ada di tabel Coefficients.
      Dari ke-6 model Anda, 2 tidak signifikan nilai F-nya, sementara 4 signifikan. Sesuai dengan penjelasan di atas, sebaiknya Anda melangkah ke analisis berikutnya menggunakan ke-4 model yang signifikan.
      Demikian. Semoga bermanfaat.

      Hapus
    2. hanya memperjelas pak. jadi yg bisa saya lanjutkan uji T hanya model yg hasilnya signifikan saja pak pada uji F nya? dan 2 model itu saya hapus dari penelitian saya? terimakasih pak sebelumnya :)

      Hapus
    3. Ya. Lebih baik Anda fokus pada model-model yang nilai F-nya signifikan.

      Hapus
  87. Mau nanya pak, saya sdg nyelesaiin tugas penelitian. Kenapa hasil persamaan regresi yg saya peroleh tatkala menghilangkan konstan sangat berbeda jauh dengan bila memasukkan konstan. Yang tanpa konstan terlihat jauh lebih bagus, koef determinasi tinggi, SEE rendah, signifikan juga. Bisakah persamaan yg tanpa konstan ini dipakai? Mksh Pak Seta Basri...

    BalasHapus
    Balasan
    1. Kelihatannya sulit untuk dipakai. Konstanta (b0) merupakan prasyarat bagi kelayakan persamaan regresi. Interpretasi atas Y hanya boleh dinyatakan tepat apabila efek dari X (atau sejumlah X) bernilai konstan. Jadi konstanta tetap harus dipergunakan dalam menghitung persamaan regresi.
      Sama-sama. Semoga bermanfaat.

      Hapus
    2. Terus bagaimana cara memperbaiki data dan hasil agar persamaan nanti dapat digunakan ya pak. Coz kemungkinan utk kembali ke lapangan bisa dibilang ndak mungkin. Terimakasih banyak Pak atas bantuan dan masukannya...

      Hapus
    3. Pertama, tentu saja, periksa sejumlah asumsi yang harus dipenuhi dalam uji regresi (silakan lihat artikel di atas). Kedua, lakukan perhitungan ulang pasca uji asumsi. Ketiga, perlakukan hasil penelitian apa adanya (berikan catatan-catatan mengenai nilai dan makna seperti koefisien determinasi, SEE, signifikansi penelitian). Saya kira, penelitian yang memperlihatkan hasil apa adanya adalah penelitian yang terbaik.
      Sama-sama. Semoga bermanfaat.

      Hapus
  88. Terimakasih atas tulisannya ...

    BalasHapus
  89. slm kenal, pak...saya sgt tertarik dng tulisan bpk dan ingin konsultasi. sya sedang mmbuat tugas akhir dengan menggunakan regresi. saya menggunakan 1 VT dan 7 VB. VT saya berupa data kategori dng skala ordinal, sedangkan VB saya ada yg skala ordinal ada yg nominal.apakah msh tepat bila sya tetap menggunakan regresi linier?karena sejauh yg saya dpt dari bbrp informasi, seharusnya menggunakan regresi multinomial logistic, sementara sya jg msh baru tau ada regresi itu, dan jika seandainya memang harus memakai regresi multinomial logistik, apakah uji asumsi klasik juga masih harus dilewati?

    BalasHapus
    Balasan
    1. Beberapa informasi yang Anda terima kiranya tepat. Karena ada di antara VB Anda yang sifatnya kategorik (nominal), maka sebaiknya digunakan Multinomial Logistic Regression (MLR). Ini berdasarkan kehendak bahwa VT Anda berskala Ordinal (lebih dari dua kategori). Rangkaian uji asumsi regresi juga berlaku, diantaranya multikolinieritas, linieritas, normalitas, otokorelasi, dan sebagainya.
      Demikian. Semoga bermanfaat.

      Hapus
  90. Mas...kalo uji regresi untuk data jika x ada dua dan y itu ada 6 ..sedangkan saya ingin mengetahui pengaruh x terhadap y saya mwu uji serempak secara bersamaan ,,pake regresi apa ya mas..tolong jawabannya dan bantuannya segera mas,ya..

    BalasHapus
    Balasan
    1. Jika jumlah variabel Y adalah 2 atau lebih, sifat data Y kontinus, jumlah prediktor (X) adalah 2 atau lebih, sifat data prediktor kategorik, dan asumsi parametrik terpenuhi, maka digunakan Factorial MANOVA.
      Jika jumlah variabel Y adalah 2 atau lebih, sifat data Y kontinus, jumlah prediktor (X) adalah 2 atau lebih, sifat data prediktor kategorik dan kontinus, dan asumsi parametrik terpenuhi, maka digunakan MANCOVA.
      Demikian. Semoga bermanfaat.

      Hapus
  91. pak, saya mo nanya
    gini, saya dapet tugas nyari model regresi linier berganda dengan 20 variabel bebas. setelah saya analisis pake spss, ada 5 variabel yang masuk excluded variabel. kenapa ya bisa begitu?

    BalasHapus
    Balasan
    1. Excluded Variables (EV) pada SPSS bermakna ikhtisar setiap variabel yang belum dimasukkan ke dalam model regresi yang hendak dibangun. Jika regresi Anda menggunakan model hirarkis, maka tabel EV menunjukkan rincian aneka variabel yang nantinya akan dimasukkan ke dalam langkah-langkah uji regresi berikutnya. Jika regresi Anda menggunakan model stepwise, maka tabel EV berisi ringkasan aneka variabel yang dipertimbangkan untuk dimasukkan ke dalam model.
      Saat Anda memmilih model hirarkis, tabel EV memperlihatkan taksiran nilai beta jika VB tertentu dimasukkan ke dalam persamaan dan mengkalkulasi nilai t. Saat Anda memilih model stepwise, SPSS hanya akan memasukkan prediktor dengan nilai t tertinggi dan terus melakukan pemasukan tersebut hingga tiada lagi nilai t statistik tinggi dengan sig. < 0,05.
      Apakah Anda tengah melakukan studi eksplorasi? (VB Anda cukup banyak, yaitu 20). Jika memang ini yang tengah Anda lakukan, maka telitilah nilai-nilai di atas. Kemungkinan, dari 20 VB ada yang tidak cocok untuk dibangunkan persamaan regresinya.
      Demikian. Semoga bermanfaat.

      Hapus
  92. permisi pak seta, saya mau bertanya tentang regresi polinomial pangkat 2.
    klo bentuk parabola yang dihasilkan bentuk bukit dan lembah, itu perbedaannya apa pak? trus misalnya nilai R^2 yang dihasilkan 0,875, itu artinya bagaimana? apakah hubungan kedua variabel sudah bagus? mohon jawabannya ya pak, saya masuh kurang paham. ini untuk keperluan tugas akhir saya tentang pengaruh sumber pencemar terhadap konsentrasi pencemar.
    terimakasih sebelumnya ^_^

    BalasHapus
    Balasan
    1. Maaf terlambat sekali saya menjawab. Saya coba, ya. Regresi polinomial digunakan dengan asumsi hubungan VB dan VT tidak linier (garis lurus). Yang khas dari regresi jenis ini adalah, plot-plot data berupa kurva. Ada kurva berbentuk "bukit" tetapi ada pula yang "lembah." Nah, yang mengetahui perbedaannya tentu peneliti itu sendiri. Deskripsi penjelasannya, misalnya, seorang guru meneliti hubungan LamaBelajar (X) dengan Nilai (Y) siswa. Setelah dilakukan regresi kurvanya berbentuk "lembah." Cara membacanya (bayangkan sumbu X dan sumbu Y) buatlah garis lurus dari mean Y plot data. Ternyata ada 3 kelompok. Kelompok 1 (paling kiri) adalah siswa dengan waktu belajar pendek, tetapi nilainya tinggi. Kelompok 2 (tengah) adalah siswa dengan waktu belajar sedang, juga dengan nilai sedang. Kelompok 3 (paling kanan) adalah siswa dengan waktu belajar panjang, tetapi nilainya rendah. Deskripsi ini dapat Anda sesuaikan jika kurvanya "bukit". Berdasarkan ini dapat Anda interpretasi bagaimana pengaruh SumberPencemar terhadap KonsentrasiSumberPencemar.
      Dalam regresi (termasuk polinomial) peneliti membangun model. Interpretasi ini mirip dengan regresi linier. Maknanya, jika R2 bernilai 0,875 maka dapat diinterpretasi bahwa model layak digunakan. Mengenai interpretasi nilai R ini dapat Anda lihat lebih jauh pada komentar-komentar di atas.
      Terima kasih kembali. Semoga bermanfaat.

      Hapus
  93. pak saya mau tanya,
    jika menggunakan formula regresi linear (1VB dan 1VT / y = a+bx) apakah uji asumsinya bisa menggunakan regresi berganda pak?.
    karena saya menggunakan regresi linear yg hanya 1VB dan 1VT.
    terima kasih sebelumnya pak^^
    -suni

    BalasHapus
    Balasan
    1. Bisa. Namun, tampaknya multikolinieritas tidak perlu. Karena VB nya cuma satu.
      Terima kasih kembali. Semoga bermanfaat.

      Hapus
    2. sangat membantu dan bermanfaat pak,
      saya ingin bertanya kembali pak,
      jika nilai coeficient b bertanda - (dlm hal ini hasil penelitian saya -0,098)apakah berdampak pada responden saya pak? karena responden saya terbatas tdk memenuhi unsur 50+8m. selanjutnya mengenai grafik pada hasil analisis regresi menggunakan spss, untuk grafik histogram, menjelaskan analisis seperti apa pak?
      dan untuk garis diagonal z itu pengertiannya bagaimana pak dlm diagram normal pp plot regresi?
      terima kasih pak ^^
      -salam suni

      Hapus
    3. --------Untuk masalah nilai koefisien b yang bertanda (-). Harus diwaspadai, nilai konstanta hasil uji regresi SPSS ada dua macam. Pertama Konstanta 0 (Bo) yang ada di kolom model (Constant) Unstandarized Coefficients (B). Kedua nilai Beta yang ada di di Standardized Coefficients. Untuk yang pertama, positif atau negatifnya no problem, dihitung saja. Untuk yang kedua, positif atau negatifnya menunjukkan arah hubungan dan yang diharapkan adalah tidak sama dengan 0. Jika nilainya (-) maka arah pengaruh negatif. Jika nilainya (+) maka arah pengaruh positif. Dengan demikian, nilai beta (-) dan (+) ini kurang berkaitan dengan jumlah sampel.
      --------Biasanya, histogram menggambarkan normalitas residu. Hal ini berhubungan dengan normal p-p plot juga. Secara imajiner, balok-balok paling kiri dan paling kanan melandai, sementara yang 'papan tengah' menjadi bukit. Jika demikian maka dianggap normal.
      --------Sama dengan histogram, pada grafik Normal P-P Plot, residu yang normal adalah data memencar mengikuti fungsi distribusi normal yaitu menyebar seiring garis z diagonal. Residu normal dari uji Kolmogorov-Smirnov adalah diperolehnya nilai p > 0,05.
      --------Demikian. Semoga bermanfaat.

      Hapus
    4. sangat membantu pak,
      ada yang ingin saya tanyakan lagi pak!,
      *jika r (pearson correlation, terdapat pada table correlation) menunjukkan negatif apakah mempengaruhi persamaan regresinya pak?
      *selanjutnya mean, apakah nilai mean berpengaruh juga pada analisis hasil persamaan regresi pak?
      terima kasih pak^^
      -salam suni

      Hapus
    5. Untuk Pearson bernilai negatif tentu saja mempengaruhi, tetapi bukanlah sesuatu yang abnormal. Wajar saja. Umumnya, hasil negatif ini konsisten dengan nilai beta negatif Anda sebelumnya. Hitung saja seperti biasa.
      Nilai Mean (yang di tabel Descriptives Statistics) tentu saja penting dan juga nilai Standard Deviasi-nya (SD). Makin kecil SD artinya makin dekat ke Mean, makin baik. Namun, ia kurang mempengaruhi dalam menginterpretasi model regresi kita.
      Sama-sama. Semoga bermanfaat.

      Hapus
    6. jadi yg menginterpretasi model regresi apakah cukup nilai a, b, R dan R2 , saja ya pak?
      disamping sudah memperhatikan kurva standar p-plotnya pak
      terima kasih pak sangat membantu^^
      -salam suni

      Hapus
  94. Asalamualaikum pa seta,,
    mohon pencerahannya

    saya telah melakukan penelitian, dan telah mengolah datanya dengan analisa regresi linear, jumlah sampel saya 58, dengan metode survey,
    dengan menggunakan 3 variabel X.
    hasil olahan spss sebagai berikut nilai :

    R = 0.522 R = 0.273, Adjust r squarenya = 0.232. Sig = 001

    pertanyaan saya begini :
    1. apa penyebab R rendah,
    2. apa alasan yang rasional dan ilmiah untuk menjelaskan hasil ini, tanpa mengurangi nilai dari penelitian.

    BalasHapus
    Balasan
    1. Wa 'alaikumus salam.
      Secara prinsip, apabila aneka uji validitas, reliabilitas, dan aneka uji asumsi sudah dilakukan, hasil tersebut dapat diterima sebagai adanya. Namun, dapat dicari sejumlah "catatan" mengapa hasil tersebut terungkap.
      Dalam regresi, n > 50 + 8m. Dimana n = Jumlah Sampel; m = Jumlah Variabel Bebas. Jadi, dengan 3 VB sebaiknya jumlah sampel 50 + 28 = 78. Hal ini dapat menjadi kemungkinan pertama. Selain itu, uji regresi cukup sensitif terhadap "redundantly", keberlimpahan indikator. Jika satu variabel terdiri atas indikator yang cukup banyak (berarti juga makin banyak item pertanyaan), redundantly terjadi. Bersama masalah redundantly ini juga mengiring masalah kurang akurasinya validitas muka (face validity), yang artinya item-item kuesioner ditanggapi secara obvious oleh responden, sehingga jawaban mereka monoton.
      Demikian. Semoga bermanfaat.

      Hapus
  95. pak seta mohon pencerahannya
    bagaimana membuat analisis regresi berganda 1 arah di spss??

    BalasHapus
    Balasan
    1. Mirip dengan contoh di atas. Demikian. Semoga bermanfaat.

      Hapus
  96. pak seta, saya mau nanya

    data yg saya uji terkena multikolinearitas, VIF nya tinggi sekali pak,
    bagaimana caranya supaya tidak terkena multikolinearitas?!dan autokorelasi DW sebesar 0,881 yg mana kurang dr 1, hsl uji yg lainnya normal,dan tidak tjd heteroskedastisitas
    mohon step-stepnya biar tdk terkena mulktikolinearitas dan autokorelasi
    dsini saya menggunaka sampel sebanyak 62 dengan 6 variabel bebas, dan 1 variabel terikat,
    terima kasih byk Pak, mohon penjelasannya...

    BalasHapus
    Balasan
    1. Kelihatannya terjadi keberlebihan. Multikolinieritas adalah antar variabel bebas terjadi hubungan yang "over." Dilihat dari proporsi jumlah VB (yaitu 6) dan jumlah sampel (yaitu 62) maka kelihatannya Anda dapat coba "mengurangi" jumlah VB. Ini dapat Anda lakukan dengan (misalnya) konsultasi ulang dengan pembimbing penelitian, melakukan uji korelasi antar VB (lihat VB yang hubungannya kuat, dan ini mungkin pemicu gejala multikolinieritas), meringkas variabel yang tidak perlu atau serupa, atau kembali menyusun model analisis dengan merujuk pada teori baru.
      Demikian. Semoga bermanfaat.

      Hapus
    2. klo misalnya perbaikan menggunakan metode PCA pak, saya sudah mencoba pake metode PCA bwt multikolinieritasnya, tetapi saya bingung klo memasukkan hasil metode PCA ke regresi itu gmn,,terimakasih Pak...maaf byk tanya,,:)

      Hapus
    3. Principal Components Analysis (PCA) digunakan seorang peneliti untuk secara matematis menurunkan sejumlah kecil variabel. Dengan metode ini, seorang peneliti dimungkinkan dengan hanya menggunakan sedikit variabel tetapi tetap menghadirkan informasi setara dengan banyak variabel. Setelah Anda melakukan PCA (mungkin dengan SPSS), maka dapat diketahui berapa komponen yang terbentuk. Misalnya, dari 6 komponen (VB) yaitu BacaBuku, Diskusi, BacaKoran, Curhat, BacaMajalah, dan BacaInternet, akhirnya terbentuk 2 komponen. Komponen 1 terdiri atas BacaBuku, BacaKoran, BacaMajalan, dan BacaInternet. Komponen 2 terdiri atas Diskusi dan Curhat. Sesuai tujuan penelitian, Anda tinggal melakukan kompresi dari 6 VB menjadi 2 VB. Diskusikan dengan pembimbing penelitian, bahwa Anda hendak memunculkan 2 VB baru yang lewat PCA merupakan hasil 'kompres' dari 6 VB.
      Jika disetujui, maka Anda tinggal melakukan tabulasi ulang yaitu mencari skor total dari Komponen 1 (misalnya dinamai VB Baca) yang merupakan total dari BacaBuku, BacaKoran, BacaMajalah, dan BacaInternet. Juga Komponen 2 yang total dari Diskusi dan Curhat. Setelah selesai, langkah selanjutnya lakukan uji asumsi regresi dan uji regresi seperti biasa.
      Demikian. Semoga bermanfaat.

      Hapus
    4. terima kasih banyak Pak....:)

      Hapus
    5. Sama-sama. Semoga bermanfaat.

      Hapus
  97. Maaf pak,..saya mau nanya,..

    sya sdang mlakukan pnelitian dgn 2 VB trhdap 1 VT namun ada dua klompok data yaitu data dri DC(Domestic Corp.) dan MNC (Multinational Company),..data yg sya ambil dri tahun 2007-2011 dgn sampel 57 DC dan 25 MNC,..sya ingin komparatifkan kedua jnis prusahaan tersebut...

    mhon ptunjuk dari bpak,.apakah dalam pengujian hipotesis (uji determinan, uji F, dan uji t) sya harus meregresi masing-masing kelompok data,..karena swaktu uji asumsi klasik datanya sya gabungkan jadi satu,..
    trima kasih banyak pak,.mhon penjelasannya,..

    BalasHapus
    Balasan
    1. Kelihatannya Anda memiliki 2 paket penelitian. Pertama, Anda meneliti Domestic Corp. yang terdiri atas 2 VB dan 1 VT. Kedua, Anda menelitian Multinational Company yang terdiri atas 2 VB dan 1 VT. Ke-2 VB dan 1 VT untuk tiap-tiap paket penelitian adalah sama. Dan, Anda ingin mengomparatifkan kedua jenis perusahaan tersebut.
      Menurut hemat saya, sebaiknya Anda melakukannya pemisahan sejak awal, yaitu sejak uji asumsi klasik hingga pengujian regresi. Dengan demikian, karakteristik data penelitian untuk masing-masing 'paket' akan lebih terlihat. Anda memiliki VB dan VT yang sama, tetapi hendak melihat penerapan khasnya di dua perusahaan berbeda (Domestic Corp. dan Multinational Company). Dengan demikian, penelitian Anda akan lebih menarik dan menantang tentunya. Namun, dengan bantuan SPSS, perhitungan Anda dapat dilakukan secara cepat dengan ketelitian tinggi.
      Demikian. Sama-sama. Semoga bermanfaat.

      Hapus
  98. Maaf pak,..saya mau nanya,..

    sya sdang mlakukan pnelitian dgn 2 VB trhdap 1 VT namun ada dua klompok data yaitu data dri DC(Domestic Corp.) dan MNC (Multinational Company),..data yg sya ambil dri tahun 2007-2011 dgn sampel 57 DC dan 25 MNC,..sya ingin komparatifkan kedua jnis prusahaan tersebut...

    mhon ptunjuk dari bpak,.apakah dalam pengujian hipotesis (uji determinan, uji F, dan uji t) sya harus meregresi masing-masing kelompok data,..karena swaktu uji asumsi klasik datanya sya gabungkan jadi satu,..
    trima kasih banyak pak,.mhon penjelasannya,..

    BalasHapus
  99. terima kasih pa..sangat jelas ini telah membantu saya

    BalasHapus
  100. pak mau nanya

    kalo faktor-faktor yang mempengaruhi ,bagusnya mengunakan uji apa ?

    BalasHapus
    Balasan
    1. Untuk penelitian "pengaruh" kiranya regresi lebih tepat. Apabila variabel X (penyebab) 2 atau lebih, gunakan regresi berganda. Namun, apabila jumlah variabel X yang dirancang begitu banyak (misalnya 10 atau lebih), ada baiknya digunakan analisis faktor untuk meringkasnya. Setelah diringkas, baru kemudian (jika asumsi terpenuhi) diadakan uji regresi berganda.
      Demikian. Semoga bermanfaat.

      Hapus
  101. Ada yang ingin saya tanyakan pak.
    Apabila output spss suatu data. standard error nya tidak keluar atau tidak ada angka.
    Dan keterangan di tuliskan
    There are not enough degrees of freedom to compute the standard errors. No reversals occured.
    Apakah data saya normal?dan bisa d lanjutkan. Alasannya?
    Atau data saya tidak normal?
    Mohon bantuannya pak. Terima kasih

    BalasHapus
    Balasan
    1. Sebelumnya, apakah Anda telah melakukan serangkaian uji asumsi regresi? Salah satunya, regresi sensitif terhadap outlier. Mungkin dapat Anda periksa outlier-outlier dari data penelitian. Juga, parameter penelitian terlampau banyak, sementara sampel kurang mencukupi sehingga varians data menjadi monoton. Ada baiknya Anda "mengurangi" prediktor (jika memang berlebih) tentu tanpa mencederai kerangka teori dan konsultasikan dengan pembimbing penelitian. Sebagai tambahan, dapat pula dibaca hal-hal mengenai df di artikel ini.
      Sama-sama. Semoga bermanfaat.

      Hapus

Ketik komentar anda. Pada Beri komentar sebagai pilih Name/URL jika anda tak memiliki Google Account. Lalu klik Publikasikan.