APLIKASI REGRESI GANDA DENGAN SPSS

Analisis Regresi
Analisis regresi merupakan salah satu teknik analisis yang paling popular di bidang
penelitian sekarang ini. Analisis regresi digunakan untuk menjelaskan suatu variabel
respon (variabel terikat / dependent / output) menggunakan satu atau lebih variabel input
(variabel bebas, independent variable / eksogen). Jika variabel bebas terdiri dari 1 maka
regresi sederhana yang digunakan, dan jika variabel input lebih dari 1, maka regresi
ganda yang digunakan.

Persamaan regresi ganda dinotasikan sebagai berikut: Y = β0 + β1X1 + β2X2 + β3X3 ….

β kXki + ε
Y adalah variabel respon,
β0 dan β1…. Βk adalah parameter model
X1, X2, ….. Xk adalah variabel bebas
Contoh Kasus
Seorang manajer penjualan salah satu agen sepeda motor ingin mengetahui pengaruh
biaya promosi meliputi iklan tv dan iklan radio dengan jumlah unit motor yang terjual
dalam beberapa tahun terakhir. Ia menggunakan data penjualan dan biaya promosi 3
tahun terakhir untuk meramalkan penjualan berdasarkan biaya promosi yang dikeluarkan
setiap bulannya.
Data:
No Iklan Iklan Unit Terjual
TV radio
1 100 30 8000
2 100 25 7800
3 112 35 9800
4 113 21 7800
5 96 22 7900
6 104 30 8100
7 98 32 7800
8 99 34 8000
9 98 27 7800
10 95 25 7600
11 100 30 8600
 12 105 32 8100
13 96 25 7600
14 99 22 7500
15 105 32 8700
16 110 35 8300
17 96 22 7400
18 96 30 8000
19 96 20 7200
20 96 25 7800
21 97 25 7900
22 89 25 7400
23 92 20 7700
24 109 35 9000
25 96 25 7600
26 96 18 7800
27 96 18 7700
28 96 25 7800
29 96 15 7500
30 98 18 5300
31 105 22 7900
32 107 22 7000
33 64 20 4400
34 111 28 8000
35 110 24 7400
36 96 25 7300
Data Penjualan dalam Satuan
Juta Data Unit Terjual (satuan)
Penyelesaian
Buka SPSS
Copy Seluruh data ke lembar kerja SPSS
Beri nama pada tab “variable views” dengan TV, Radio,
dan Jual Berikut tampilan data di SPSS
Klik Analyze – Regression - Linier – lalu setting data seperti tampilan di
bawah ini Masukkan variabel TV dan Radio ke box independent, dan Jual
(unit terjual) ke box “dependent”

Klik Plots, lalu Tick pada pilihan “Histogram” dan “Normal

Probability Plot” Masukkan pilihan “Sresid” ke Sumbu Y, dan
“Zpred” ke sumbu X

Klik Continue
Klik Statistics, lalu Tick pada pilihan “Colinearity diagnosics” dan “Durbin-Watson”

Klik Continue, lalu Klik OK

Hasil
Regression

Variables Entered/Removedb

Variables Variables
Model Entered Removed Method
1 Radio, . Enter
TVa
a. All requested variables entered.
b. Dependent Variable: Jual

Model Summaryb

Adjusted Std. Error Durbin-

Model R R R Square of the Watson
Square Estimate
1 .774a .599 .575 573.39994 1.762
a. Predictors: (Constant), Radio, TV
b. Dependent Variable: Jual
 Sum of
Model Squares df Mean F Sig.
Square
1 Regression 16217513 2 8108756.47 24.663 .000a
5
Residual 10849987 33 328787.486
Total 27067500 35
a. Predictors: (Constant), Radio, TV
b. Dependent Variable: Jual
 Coefficientsa
Unstandardized Standardize
Coefficients d Collinearity
Model Coefficients t Si Statistics
B Std. Beta g. Tolerance VIF
Error
1 (Constant) 815.840 1129.92 .722 .475
2
TV 52.370 12.516 .509 4.184 .000 .822 1.217
Radio 66.447 19.855 .407 3.347 .002 .822 1.217
a. Dependent Variable: Jual

Collinearity Diagnosticsa

Conditio Variance Proportions

Model Dimension Eigenvalue n Index (Constant TV Radio
)
1 1 2.972 1.000 .00 .00 .00
2 .024 11.027 .07 .03 .92
3 .003 29.759 .93 .97 .07
a. Dependent Variable: Jual

Residuals Statisticsa

Minimu Maximu Mean Std. N

m m Deviation
Predicted Value 5496.447 9006.903 7708.333 680.70369 36
8 3 3
Std. Predicted Value -3.249 1.908 .000 1.000 36
Standard Error 97.076 417.922 154.740 59.609 36
of Predicted
Value
Adjusted Predicted 6729.062 8988.615 7744.220 603.56379 36
Value 0 2 6
 Residual -1844.13 793.0963 .00000 556.77610 36
1
Std. Residual -3.216 1.383 .000 .971 36
Stud. Residual -3.372 1.488 -.026 1.070 36
Deleted Residual -2338.95 917.8273 - 699.22284 36
9 35.88723
Stud. Deleted Residual -4.102 1.517 -.056 1.170 36
Mahal. Distance .031 17.621 1.944 2.994 36
Cook's Distance .000 2.946 .112 .490 36
Centered Leverage .001 .503 .056 .086 36
Value
a. Dependent Variable: Jual
Charts
Histogram

Dependent Variable: Jual

12.5
10.0
Frequency

7.5
5.0
2.5
0.0 Mean =1.03E-15
Std. Dev. =0.971
- N =3
-4 -3 -2 -1 0 1 2
Regression Standardized Residual

Normal P-P Plot of Regression Standardized Residual

Dependent Variable: Jual

1.0
0.8
Expected Cum Prob

0.6
0.4
0.2
0.0
0.0 0.2 0.4 0.6 0.8 1.0
Observed Cum Prob
 Scatterplot

Dependent Variable: Jual

2
Regression Studentized Residual

1
0
-1
-2
-3
-4

-4 -3 -2 -1 0 1 2
Regression Standardized Predicted Value

PEMBAHASAN
Sebelum memberikan interpretasi pada hasil regresi, dilakukan pengujian asumsi
normalitas sebagai syarat regresi. Apabila berdistribusi normal maka analisis parametrik
seperti analisis regresi dapat dilanjutkan, sebaliknya apabila tidak tidak berdistribusi
normal maka digunakan statistik non parametrik untuk menguji hipotesis. Pengujian
normalitas ini menggunakan diagram histogram dan grafik p p-plot untuk memprediksi
apakah residual berdistribusi normal atau tidak.
Histogram

Dependent Variable: Jual

12.5
10.0
Frequency

7.5
5.0
2.5
0.0 Mean =1.03E-15 Std. Dev. =0.971
-4 -3 -2 -1 0 1 2 N =36

Berdasarkan hasil uji di atas terlihat bahwa menyebar agak ke kanan bagian kurva normal, dan
sehingga belum dapat disimpulkan apakah residual memenuhi asumsi normalitas.
 Normal P-P Plot of Regression Standardized

Dependent Variable: Jual

1.0
Expected Cum Prob

0.8
0.6
0.4
0.2
0.0
0.0 0.2 0.4 0.6 0.8 1.0

Hasil pengujian dengan memperhatikan grafik p p-plot juga menunjukkan kesimpulan

serupa dengan histogram. Dari tampilan di atas terlihat bahwa ada data menyebar keluar
dari garis diagonal, sehingga belum dapat dinyatakan normal.

Memperhatikan temuan ini, maka pengujian normalitas residual dilakukan dengan teknik
statistik Kolmogorov-Smirnov Test.

Membuat Residual
Klik Analyze – Regression – Liniear.
Masukkan variabel seperti langkah awal.
Klik Save, tick pada pilihan unstandard” seperti terlihat pada gambar di bawah ini
 http://teorionline.net/ 10
Aplikasi Regresi Ganda dengan SPSS

Jika dilakukan dengan benar, maka akan ada variabel baru yang bernama RES_1
 http://teorionline.net/ 11
Aplikasi Regresi Ganda dengan SPSS

Klik Analyze – Lalu pilih Nonparametric Test, lalu pilih 1-Sample K-S

Masukkan variabel RES_1 ke box ”Test Variable List”

Klik OK
 http://teorionline.net/ 12
Aplikasi Regresi Ganda dengan SPSS
Hasil Uji Normalitas

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual
N 36
Normal Mean .0000000
Parametersa,b
Std. Deviation 556.77610403
Most Extreme Absolute .159
Differences Positive .077
Negative -.159
Kolmogorov- .952
Smirnov Z
Asymp. Sig. (2- .324
tailed)
a. Test distribution is Normal.
b. Calculated from data.

Hasil uji normalitas residual dengan Kolmogorov-Smirnov menunjukkan nilai

Asymp.Sig sebesar 0.324 (> 0.05), sehingga dapat disimpulkan bahwa residual model
regresi berdistribusi normal.
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 815.840 1129.922 .722 .475
TV 52.370 12.516 .509 4.184 .000 .822 1.217
Radio 66.447 19.855 .407 3.347 .002 .822 1.217
a. Dependent Variable: Jual

Dengan melihat Nilai VIF (Varian Inflation Factor) diketahui bahwa tidak ada variabel
yang memiliki nilai VIF lebih dari 10, serta nilai tolerance yang kurang dari 0.10. Dengan
demikian dapat disimpulkan bahwa variabel independen terbebas dari masalah
Multikolinieritas.
 http://teorionline.net/ 13
Aplikasi Regresi Ganda dengan SPSS

Scatterplot

Dependent Variable: Jual

2
Regression Studentized Residual

1
0
-1
-2
-3
-4

-4 -3 -2 -1 0 1 2
Regression Standardized Predicted Value

Hasil uji heterokedastisitas pada tampilan grafik scatter plot di atas menunjukkan bahwa
tidak terjadi masalah heterokedastis. Hal ini dapat dilihat dari sebaran data yang
menyebar ke segala bidang, dan berada di atas maupun dibawah nilai 0 pada sumbu Y.

Model Summaryb

Adjusted R Std. Error of Durbin-

Model R R Square Square the Estimate Watson
1 .774a .599 .575 573.39994 1.762

a. Predictors: (Constant), Radio, TV

b. Dependent Variable: Jual
Hasil uji autokorelasi dapat dilihat dari nilai Durbin_Watson sebesar 1.762. Untuk n=36,
dan k=2 diperoleh nilai DW tabel Dl 1.354 dan Du 1.584. Nilai DW hitung 1.762 > dari
batas atas (du) yaitu 1.584 dan kurang dari 4—du, sehingga dapat disimpulkan tidak ada
autokorelasi positif maupun negative pada model.
 http://teorionline.net/ 14
Aplikasi Regresi Ganda dengan SPSS
Korelasi dan Regresi

Model Summaryb

Adjusted Std. Error Durbin-

Model R R R Square of the Watson
Square Estimate
1 .774a .599 .575 573.39994 1.762
a. Predictors: (Constant), Radio, TV
b. Dependent Variable: Jual
Korelasi antara biaya promosi (iklan TV dan Radio) dengan penjualan (unit terjual)
adalah sebesar 0.774, dengan koefisien determinasi 0.575 (adjusted R Square). Dengan
demikian dapat dinyatakan bahwa variasi penjualan mampu dijelaskan oleh biaya
promosi sebesar 57.50%, dan sisanya dipengaruhi faktor lain selain biaya promosi

Coefficientsa

Unstandardized Standard
Coefficients ized Collinearity
Model Coeffici t Sig. Statistics
ents
B Std. Beta Toleran VIF
Error ce
1 (Constant) 815.840 1129.9 .722 .475
22
TV 52.370 12.516 .509 4.184 .000 .822 1.217
Radio 66.447 19.855 .407 3.347 .002 .822 1.217
a. Dependent Variable: Jual

Persamaan regresi: Penjualan = 815.84 + 52.370 (Iklan TV) + 66.447 (Iklan

Radio), Persamaan regresi tersebut mempunyai makna sebagai berikut:
Konstanta sebesar 816 (pembulatan) berarti bahwa tanpa adanya biaya yang dikeluarkan
untuk promosi, maka penjualan sepeda motor adalah sebesar 816 unit. Jika variabel biaya
iklan TV naik (satu juta) maka akan menyebabkan kenaikan (karena tanda positif)
sebesar 52 unit pada penjualan sepeda motor. Sedangkan jika biaya iklan radio naik 1
juta, maka akan menyebabkan kenaikan pada penjualan sebesar 66 unit sepeda motor.
 http://teorionline.net/ 15
Aplikasi Regresi Ganda dengan SPSS

Pengujian Hipotesis Simultan

Ho : Tidak ada pengaruh Iklan TV dan Radio terhadap Penjualan
Ha : Ada pengaruh positif dan signifikan Iklan TV dan Radio terhadap Penjualan

Pengambilan keputusan (berdasarkan probabilitas) :

Jika probabilitas > 0,05 maka Ho diterima, sedangkan jika probabilitas < 0,05 maka Ho ditolak.

ANOVAb
Sum of
Model Squares df Mean F Sig.
Square
1 Regression 16217513 2 8108756.47 24.663 .000a
5
Residual 10849987 33 328787.486
Total 27067500 35
a. Predictors: (Constant), Radio, TV
b. Dependent Variable: Jual
 http://teorionline.net/ 16
Aplikasi Regresi Ganda dengan SPSS
Dari hasil uji signifikansi terlihat bahwa nilai probabilitas adalah sebesar 0,00
(< 0,01) sehingga Ho ditolak. Artinya, pengaruh biaya promosi (iklan TV dan
Radio) secara simultan terbukti mempengaruhi penjualan signifikan sehingga
hipotesis alternatif (Ha) diterima.

Hasil uji model parsial dengan memperhatikan nilat probilitas pada uji t
memperoleh nilai t hitung untuk iklan TV sebesar 0.000 dan Iklan Radio 0.002.
Karena probilitas < 0.05, maka dapat disimpulkan bahwa secara parsial dua
variabel ini terbukti berpengaruh signifikan terhadap penjualan.

Rekomendasi Buku:
Rosadi, Dedi. (2012). Ekonometrika dan Analisis Runtun Waktu Terapan
dengan EViews. Yogyakarta: Andi
Ghozali, Imam. (2009). Analisis Multivariate dengan Program SPSS. Semarang: BP – UNDIP