REGRESI LINIER SEDERHANAContoh :TERHADAP Y DAN X1Langkah :Analize Regreression linier dependent (dipengaruhi) independen (mempengaruhi) statistic contreng estimate , model fit, descriptive , casewise diagnosis, all cases plot y zpred , x dependent, contreng produce all partial plots save undstandardize residual 1. Uji korelasi dan korelasiCorrelations

yx

Pearson Correlationy1.000-.812

x-.8121.000

Sig. (1-tailed)y..000

x.000.

Ny2020

x2020

Hipotesis Ho = Tidak ada korelasi antara y dan xH1 = ada korelasi antara y dan xkesimpulan Karna nilai sig = 0.000 lebih kecil dari 0.05 maka diputuskan untuk menolak Ho jadi kesimpulannya ada korelasi antara y dan x

Interpretasi Krna nilai korelasi bersifat negative maka hubungan antara y dan x berbanding terbalik yaitu jika nilai y meningkat maka nilai x akan turun . 0,812 menunjukkan korelasi sangat kuat .

2. Interpretasi R SquareModel Summaryb

ModelRR SquareAdjusted R SquareStd. Error of the Estimate

1.812a.659.64010.45227

a. Predictors: (Constant), x

b. Dependent Variable: y

R Square = 0.659 = 66 %sebesar 66 % dari seluruh variansi total yang diterangkan oleh x dan 34 % dari y tidak dapat diterangkan dari model yang digunakan . penyebab mungkin factor lain yang tidak diketahui.

3. Uji linier (Kecocokan Model)ANOVAa

ModelSum of SquaresdfMean SquareFSig.

1Regression140214.9411140214.94134.716.000b

Residual72700.809184038.934

Total212915.75019

a. Dependent Variable: y

Hipotesis Ho = Model belum tepat digunakanH1 = Model sudah tepat digunakankesimpulan Karna nilai sig = 0.000 lebih kecil dari 0.05 maka diputuskan untuk menolak Ho jadi kesimpulannya Model sudah tepat digunakan

4. Uji parsialCoefficientsa

ModelUnstandardized CoefficientsStandardized CoefficientstSig.

BStd. ErrorBeta

1(Constant)388.80234.24111.355.000

x1-4.934.837-.812-5.892.000

a. Dependent Variable: y

Untuk BoHipotesis Ho = Tidak ada pengaruh konstanta terhadap yH1 = ada pengaruh konstanta terhadap ykesimpulan Karna nilai sig = 0.000 lebih kecil dari 0.05 maka diputuskan untuk menolah Ho jadi kesimpulannya ada pengaruh konstanta terhadap y

Untuk B1Hipotesis Ho = Tidak ada pengaruh x terhadap yH1 = ada pengaruh x terhadap ykesimpulan Karna nilai sig = 0.000 lebih kecil dari 0.05 maka diputuskan untuk menolak Ho jadi kesimpulannya ada pengaruh X terhadap y

5. Model Regresiy = 388.802 4.934 xjadi di peroleh hasil bhwa tanpa adanya pengaruh x maka nilai y adalah 388.802. jika teradi penambahan x sebesar 1 maka penurunan y adalah sebesar 4.934

6. Ujikenormalan residual Tests of Normality

Kolmogorov-SmirnovaShapiro-Wilk

StatisticdfSig.StatisticdfSig.

Unstandardized Residual.13320.200*.92620.130

Hipotesis Ho = Residual berdistribusi normalH1 = Residual tidak berdistribusi normalkesimpulan Karna nilai sig = 0.130 lebih besr dari 0.05 maka diputuskan untuk gagak menolak Ho jadi kesimpulannya Residual berdistribusi normal

REGRESI LINIER BERGANDABacward1. Variabel enteredVariables Entered/Removeda

ModelVariables EnteredVariables RemovedMethod

1x3, x2, x1b.Enter

2.x3Backward (criterion: Probability of F-to-remove >= .100).

a. Dependent Variable: y

b. All requested variables entered.

Pada model 1Variabel entered adalah x3,x2,x1Pada model 2variabel removed adalah x3 yang artinya variabel x3 dikeluarkan dri model regresi karena nilai f >0.1

2. Interpretasi R SquareModel Summaryc

ModelRR SquareAdjusted R SquareStd. Error of the Estimate

1.897a.804.76751.04855

2.881b.776.74952.98237

a. Predictors: (Constant), x3, x2, x1

b. Predictors: (Constant), x2, x1

c. Dependent Variable: y

- Untuk Model 1 x3, x2, x1R Square = 0.804= 80 %sebesar 80 % dari seluruh variansi total yang diterangkan oleh x1, x2,x3 dan 20 % dari y tidak dapat diterangkan dari model yang digunakan . penyebab mungkin factor lain yang tidak diketahui.

- Untuk Model 2 x2, x1 R Square = 0.776 = 77.6 %sebesar 77.6 % dari seluruh variansi total yang diterangkan oleh x1, x2 dan 22.4 % dari y tidak dapat diterangkan dari model yang digunakan . penyebab mungkin factor lain yang tidak diketahui.

3. Uji linier (Kecocokan Model)ANOVAa

ModelSum of SquaresdfMean SquareFSig.

1Regression171220.473357073.49121.901.000b

Residual41695.277162605.955

Total212915.75019

2Regression165194.521282597.26129.424.000c

Residual47721.229172807.131

Total212915.75019

a. Dependent Variable: y

b. Predictors: (Constant), x3, x2, x1

c. Predictors: (Constant), x2, x1

Untuk model 1 x3,x2,x1Hipotesis Ho = Model belum tepat digunakanH1 = Model sudah tepat digunakankesimpulan Karna nilai sig = 0.000 lebih kecil dari 0.05 maka diputuskan untuk menolak Ho jadi kesimpulannya Model sudah tepat digunakan

Untuk model 2 x2,x1Hipotesis Ho = Model belum tepat digunakanH1 = Model sudah tepat digunakankesimpulan Karna nilai sig = 0.000 lebih kecil dari 0.05 maka diputuskan untuk menolak Ho jadi kesimpulannya Model sudah tepat digunakan

4. Uji parsialCoefficientsa

ModelUnstandardized CoefficientsCoefficientstSig.Collinearity Statistics

BStd. ErrorBetaToleranceVIF

1(Cons)427.19459.6017.168.000

x1-4.583.772-.754-5.934.000.7591.318

x2-14.8314.754-.347-3.119.007.9891.011

x36.1014.012.1931.521.148.7641.310

2(Cons)490.28644.41011.040.000

x1-5.150.702-.847-7.337.000.9891.011

x2-14.7184.934-.344-2.983.008.9891.011

a. Dependent Variable: y

Untuk Model 1 Untuk BoHipotesis Ho = Tidak ada pengaruh konstanta terhadap yH1 = ada pengaruh konstanta terhadap ykesimpulan Karna nilai sig = 0.000 lebih kecil dari 0.05 maka diputuskan untuk menolah Ho jadi kesimpulannya ada pengaruh konstanta terhadap y

Untuk B1Hipotesis Ho = Tidak ada pengaruh x1 terhadap yH1 = ada pengaruh x1 terhadap ykesimpulan Karna nilai sig = 0.000 lebih kecil dari 0.05 maka diputuskan untuk menolak Ho jadi kesimpulannya ada pengaruh X1 terhadap y

Untuk B2Hipotesis Ho = Tidak ada pengaruh x2 terhadap yH1 = ada pengaruh x2 terhadap ykesimpulan Karna nilai sig = 0.007 lebih kecil dari 0.05 maka diputuskan untuk menolak Ho jadi kesimpulannya ada pengaruh X2 terhadap y

Untuk B3Hipotesis Ho = Tidak ada pengaruh x3 terhadap yH1 = ada pengaruh x3 terhadap ykesimpulan Karna nilai sig = 0.148 lebih BESAR dari 0.05 maka diputuskan untuk gagal menolak Ho jadi kesimpulannya tidak ada pengaruh x3 terhadap y

Untuk Model 2Untuk BoHipotesis Ho = Tidak ada pengaruh konstanta terhadap yH1 = ada pengaruh konstanta terhadap ykesimpulan Karna nilai sig = 0.000 lebih kecil dari 0.05 maka diputuskan untuk menolah Ho jadi kesimpulannya ada pengaruh konstanta terhadap y

Untuk B1Hipotesis Ho = Tidak ada pengaruh x1 terhadap yH1 = ada pengaruh x1 terhadap ykesimpulan Karna nilai sig = 0.000 lebih kecil dari 0.05 maka diputuskan untuk menolak Ho jadi kesimpulannya ada pengaruh X1 terhadap y

Untuk B2Hipotesis Ho = Tidak ada pengaruh x2 terhadap yH1 = ada pengaruh x2 terhadap ykesimpulan Karna nilai sig = 0.008 lebih kecil dari 0.05 maka diputuskan untuk menolak Ho jadi kesimpulannya ada pengaruh X2 terhadap y

5. Tabel koefisien VIFUntuk Model 1Variabel x1, x2 , x3 memiliki nilai VIF sebesar 1.318 , 1.011 , 1.310 hal ini berarti ketiga nilai lebih kecil dari 10 sehingga tidak terjadi multikoleniaritas

Untuk Model 2Variabel x1, x2 ,memiliki nilai VIF sebesar, 1.011 , 1.011 hal ini berarti kedua nilai lebih kecil dari 10 sehingga tidak terjadi multikoleniaritas

6. Model Regresiy = 490.286 5.15 x1 14.71 x2jadi di peroleh hasil bhwa tanpa adanya pengaruh x1 dan x2 maka nilai y adalah 490.286. jika teradi penambahan x1 sebesar 1 maka penurunan y adalah sebesar 5.15 , dan jika terjadi penambahan x2 sebesar 1 maka penurunan y sebesar 14.71

7. Ujikenormalan residual

Tests of Normality

Kolmogorov-SmirnovaShapiro-Wilk

StatisticdfSig.StatisticdfSig.

Unstandardized Residual.09020.200*.96920.736

*. This is a lower bound of the true significance.

a. Lilliefors Significance Correction

Hipotesis Ho = Residual berdistribusi normalH1 = Residual tidak berdistribusi normalkesimpulan Karna nilai sig = 0.736 lebih besr dari 0.05 maka diputuskan untuk gagak menolak Ho jadi kesimpulannya Residual berdistribusi normal