Analisis regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab-akibat antara satu variabel dengan variabel(-variabel) yang lain. Variabel "penyebab" disebut dengan bermacam-macam istilah: variabel penjelas, variabel eksplanatorik, variabel independen, atau secara bebas, variabel X (karena seringkali digambarkan dalam grafik sebagai absis, atau sumbu X). Variabel terkena akibat dikenal sebagai variabel yang dipengaruhi, variabel dependen, variabel terikat, atau variabel Y. Kedua variabel ini dapat merupakan variabel acak (random), namun variabel yang dipengaruhi harus selalu variabel acak.
Analisis regresi adalah salah satu analisis yang paling populer dan luas pemakaiannya. Analisis regresi dipakai secara luas untuk melakukan prediksi dan ramalan, dengan penggunaan yang saling melengkapi dengan bidang pembelajaran mesin. Analisis ini juga digunakan untuk memahami variabel bebas mana saja yang berhubungan dengan variabel terikat, dan untuk mengetahui bentuk-bentuk hubungan tersebut.
Pada kesempatan ini kita akan membahas mengenai analisis regresi yang dilakukan dengan aplikasi SPSS.
Contoh kasus misalnya kita akan melakukan uji regresi dengan 4 variabel antara lain variabel X1, X2, X3 dan variabel Y.
Anggap saja kita sudah mempunyai data tabulasi pada excel data tabulasi tersebut adalah hasil dari penyebaran kuesioner berkaitan dengan variabel penelitian yang kita lakukan.
Langkah selanjutnya kita lakukan copy terhadap jumlah total dari setiap variabel dan paste di lembar kerja SPSS seperti berikut ini :
Setelah itu kita pilih menu Analyze > Regression > Linear seperti pada gambar dibawah ini :
Maka akan tampil sebagai berikut :
Pindahkan variabel Y ke sebelah kanan dibagian Dependent dan variabel X1, X2 dan X3 ke bagian Independent(s), setelah itu kita klik tombol Plots dan akan tampil sebagai berikut :
Langkah selanjutnya pada bagian Standardized Residuals Plots ceklis Histogram dan Normal probability plot, klik tombol Continue dan klik tombol OK maka akan tampil output sebagai berikut :
Pada tabel Model Summary menampilkan nilai R yang merupakan simbol dari nilai koefisien korelasi. Hasil nilai R sebesar 0,938. Hasil tersebut menjelaskan bahwa hubungan variabel berada pada kategori sangat kuat. Hasil pada R Square atau yang disebut dengan Koefisiensi Determinasi (KD) adalah 88,0% yang dapat dijelaskan bahwa hubungan variabel Independent terhadap variabel Dependent memiliki pengaruh kontribusi sebesar 88,0% sedangkan sisanya 22,0% dipengaruhi oleh variabel lain/faktor lain diluar variabel penelitian.
Pada tabel Anova menghasilkan nilai signifikansi yaitu 0,000 dengan syarat ketentuan, jika Nilai Sig. < 0,05, maka model regresi adalah linier, dan jika > 0,05 maka model regresi tidak linier. Berdasarkan output tabel Anova diatas, diperoleh nilai Sig. = 0,000 yang berarti < kriteria signifikan (0,05), oleh karena itu model persamaan regresi berdasarkan data penelitian adalah adalah signifikan artinya, model regresi linier memenuhi kriteria linieritas.
Pada tabel Coefficients menghasilkan model persamaan regresi yang diperoleh dengan koefisien konstanta dan koefisien variabel yang ada di kolom Unstandardized Coefficients B. Berdasarkan tabel ini diperoleh model persamaan regresi : Y = 4,178 + 0,662 X1 + 0,751 X2 + 0,648 X3
Pada tabel coefficients di atas dapat dilihat bahwa pengujian hipotesis secara parsial yang ditunjukkan oleh nilai t adalah sebagai berikut :
- Nilai t hitung yang didapatkan dari hasil perhitungan sebesar 5,321 dengan nilai signifikan sebesar 0,000 lebih kecil dari taraf kesalahan 5% menunjukkan bahwa variabel (X1) memberikan pengaruh positif terhadap variabel (Y).
- Nilai t hitung yang diperoleh dari hasil perhitungan sebesar 4,819 dengan nilai signifikan sebesar 0,000 lebih kecil dari taraf kesalahan 5% menunjukkan bahwa variabel (X2) memberikan pengaruh positif terhadap variabel (Y).
- Nilai t hitung yang diperoleh dari hasil perhitungan sebesar 5,532 dengan nilai signifikan sebesar 0,000 lebih kecil dari taraf kesalahan 5% menunjukkan bahwa variabel (X3) memberikan pengaruh positif terhadap variabel (Y).
Post a Comment
0Comments