Ad Code

Uji Regresi Berganda

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.



Disclaimer
Diskusi di bawah merupakan pindahan sebagian 
dari yang terdapat pada artikel kami : 


Silakan berkunjung untuk melihat diskusi 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).

Sir Francis Galton
Penemu Analisis Regresi
Sumber Foto: https://www.michiganradio.org/post/you-can-thank-or-scorn-man-birth-eugenics

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:



  1. Terima H0 jika Durbin-Watson hitung lebih besar dari ..... dan Durbin-Watson hitung lebih kecil dari 4 - .....; Artinya tidak ada Autokorelasi.
  2. 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


Disclaimer
Diskusi di bawah merupakan pindahan sebagian
dari yang terdapat pada artikel kami :


Silakan berkunjung untuk melihat diskusi lainnya.
Reactions

Posting Komentar

112 Komentar

  1. yuanita28.4.11

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

    BalasHapus
  2. Ane mau tanya nih pak. Ini gambaran skripsi sy :

    Variabel Bebas : Kreativitas (X1) dan Inovasi (X2)
    Variabel Terikat : Omzet Penjualan.

    Objek Penelitian : UMKM minuman di Kecamatan ane.

    Ane bingung nih pak masalah sampel/responden yg representatif dengan judul sy. Penelitian sy kan neliti ttg kreativitas dan inovasi pemilik UMKM tersebut, tapi UMKM yg jadi objek penelitian sy cuman 1 UMKM minuman sy. Masak iya samplenya cuman satu? Terus yg bisa dijadiin responden selain pemilik UMKM minuman siapa sy? Mohon dijawab yaaa?

    BalasHapus
    Balasan
    1. Kalau penelitiannya mengenai UMKM minuman, dan yang dijadikan responden adalah para pemilik UMKM minuman, maka sebaiknya jangan 1. Sulit sekali melakukan uji regresi apabila hanya satu responden. Mungkin dapat dicari UMKM lainnya, minimal 50 adakah?
      Demikian tanggapan saya. Semoga bermanfaat.

      Hapus
  3. Pak, saya sedang melakukan penelitian, maaf saya ingin bertanya.
    1. Pada hasil output heteroskedastisitas, dalam kolom standardized coefficients terdapat beta. Pada variabel X2, X3, dan X4 saya hasil beta menunjukkan tanda negatif, tetapi hasil menunjukkan signifikan. Apakah itu artinya X terhadap Y memiliki nilai signifikan namun negatif?
    2. Apakah perbedaan antara beta yang terdapat di kolom unstandardized coefficients dan standardized coefficient? Beta manakah yang dapat dipakai?
    3. Apakah arti kolom t pada uji heteroskedastisitas?
    Mohon bantuan jawabannya pak, Terima Kasih :-)

    BalasHapus
    Balasan
    1. Mungkin menurut poin sharingnya saja ya. Pertama, nilai beta negatif bermakna hubungan antara variabel terikat dengan variabel-variabel bebasnya. Apabila ia negatif maka berarti hubungan antara variabel bebas dan terikat adalah negatif. Hubungan negatif ini signifikan karena sig. hitungnya < 0,05 bukan?.
      Kedua, perbedaan antara beta di Unstandardized Coefficient (UC) dan Standardized Coefficient (SC). Nilai beta pada UC bergantung pada unit-unit pengukuran pada variabel. Maknanya, ia dihasilkan dari interaksi apapun nilai aktual yang digunakan pada variabel-variabel bebas dan variabel terikat. Sementara, nilai beta pada SC berpatokan pada nilai standar deviasi. Jadi, ia didasarkan pada perubahan nilai standar deviasi pada variabel bebas yang diakibatkan oleh perubahan standar deviasi pada variabel-variabel bebas.
      Ketiga, untuk makna kolom t, silakan baca sub Cara melakukan Uji Park pada tulisan di atas, mulai langkah ke-11.
      Demikian tanggapan saya. Sama-sama. Semoga bermanfaat.

      Hapus
  4. Selamat malam pak mohon bantuan bapak saya mhsiswa yg sbntar lg sidang. Konstanta saya tnggi skali pak 7,086 dosen saya mbyruh saya antilog kan dan hsilnya 12jutaan nah kira2 kslhan saya dmna ya brhubung sma mgunkan fungsi produksi cobb douglas.. mhon bantuannya pak.. :(

    BalasHapus
    Balasan
    1. Selamat malam. Nilai konstanta yang dimaksud apakah konstanta model regresi ataukah konstanta variabel? Kalau konstanta variabel, tentu dia mengikuti nilai-nilai yang termaktub di dalam variabel bebas dan variabel terikat. Misalnya, kalau konstanta 7,086. Maka apabila nilai X meningkat sebanyak satu unit, maka nilai Y akan meningkat sebesar 7,086.
      Demikian tanggapan saya. Semoga bermanfaat.

      Hapus
  5. Anonim26.1.16

    Selamat malam pak. mohon bantuannya
    saya memiliki 5 variabel bebas dan 1 variabel terikat. saya menggunakan skala likert. nah masing2 variabel itu saya membuat pertanyaan yang berbeda-beda jumlahnya. misal X1 ada 4 pertanyaan, X2 ada 6 pertanyaan dst
    yang saya tanyakan : untuk transformasi analisis regresi berganda kan dengan cara menjumlahkan masing2 pertanyaan untuk masing2 variabel, misal:
    X1 untuk responden 1 memiliki 4 pertanyaan, kemudian dijumlah. Untuk responden 2 juga dijumlah, begitu seterusnya

    apakah perbedaan jumlah item pertanyaan untuk masing2 variabel ini berpengaruh pak terhadap hasil regresi?
    bagaimana kalo menggunakan mean?
    apakah ada teori yang didasarkan pada buku/jurnal yg menjelaskan bahwa cara menghitungnya menggunakan total masing2 variabel?

    terima kasih banyak pak mohon bantuannya

    BalasHapus
    Balasan
    1. Selamat malam. Dalam perhitungan regresi, yang dicari adalah variabilitas di Variabel Terikat yang dihasilkan oleh rangkaian nilai yang berasal dari Variabel Bebas. Dengan demikian, seharusnya tidak masalah apabila masing-masing variabel bebas berbeda jumlah pernyataannya, sehingga berpengaruh terhadap skor total masing-masingnya. Mungkin variabel yang satu skor totalnya jauh lebih tinggi atau lebih rendah dari lainnya. Menggunakan nilai mean pun, menurut saya, tidak akan terlampau banyak berbeda. Seyogyanya, di saat melakukan desain penelitian, dilakukan simetriisasi, yaitu setiap variabel memiliki jumlah pernyataan yang serupa. Tetapi, biarkan saja dan lanjutkan analisis data yang dilakukan.
      Rata-rata buku penelitian menggunakan skoring total item untuk memperoleh nilai skor variabel. Misalnya, Muhammad Nisfiannoor, Pendekatan Statistika Modern untuk Ilmu Sosial (Jakarta: Salemba Humanika, 2009).
      Demikian tanggapan saya. Sama-sama. Semoga bermanfaat.

      Hapus
  6. Mau tanya pak, saya melakukan penelitian dengan 3 vb dan 1 vt tapi dari ketiga vb jumlah responden berbeda, vb1 20 responden, vb2 20 responden dan vb3 258 responden, bagaiman caranya untuk diuji regresi linier berganda. Mohon pencerahannya pak.

    BalasHapus
  7. Mau tanya pak, saya melakukan penelitian dengan 3 vb dan 1 vt tapi dari ketiga vb jumlah responden berbeda, vb1 20 responden, vb2 20 responden dan vb3 258 responden, bagaiman caranya untuk diuji regresi linier berganda. Mohon pencerahannya pak.

    BalasHapus
    Balasan
    1. Salah satu prinsip dalam uji statistik adalah kesimetrisan data. Untuk VB1 dan VB2 apakah berasal dari satu kelompok yang serupa, sementara VB3 berasal dari kelompok yang berbeda? Saran saya, untuk yang VB3 diadakah uji regresi linear sederhana, sementara yang VB1 dan VB2 uji regresi linear berganda.
      Dmeikian saran saya. Semoga bermanfaat.

      Hapus
  8. Assalamualaikum pak. saya mendapatkan tugas untuk menggunakan regresi linear berganda via spss.
    saya kebingungan krn ini pertama kalinya. saya memohon bantuannya pak :)
    saya punya 6 variabel bebas dan 1 terikat.
    tahun penelitian yg ditugaskan 2008-2012.
    yg ingin saya tanyakan, bagaimana menyusun variabel tsb sebelum diinput dalam worksheet spss?
    cth:
    rasio PBV terdiri dr thn 2008,2009, 2010, 2011, 2012
    rasio EPS terdiri dr thn 2008, 2009, 2010, 2011, 2012.
    saya bingung pak.
    apakah saya hrs menjumlahkan seluruh rasio PBV tsb untuk mendapatkan satu kolom saja dari 5 tahun pengamatan? mohon bantuannya pak. terimakasih banyak :)

    BalasHapus
    Balasan
    1. Wa'alaikum salaam. Dalam penelitian ini justru yang hendak dilihat adalah rasio dari tahun ke tahun. Sehingga data yang dimasukkan adalah yang aktual dari tahun-tahun tersebut. Tidak perlu dijumlahkan.
      Demikian tanggapan saya. Sama-sama. Semoga bermanfaat.

      Hapus
  9. bagaimana jika saya urutkan data penelitian saya dari terkecil sampai terbesar untuk melakukan pengujian regresi berganda ?

    BalasHapus
    Balasan
    1. Saya kira silakan saja. Namun, harap berhati-hati karena skor yang diurutkan tersebut berasal dari data responden yang aktual. Jangan sampai pengurutan data tersebut tidak simetris sehingga data responden pada variabel lainnya menjadi tercampur baur.
      Demikian tanggapan saya. Semoga bermanfaat.

      Hapus
  10. Apakah nilai sig pada konstanta boleh >0,05. Mohon jawabannya makasih. Dan bagaimana interpretasinya

    BalasHapus
    Balasan
    1. Sebenarnya, itu adalah hasil penelitian. Dan itu boleh-boleh saja. Maknanya adalah, nilai konstanta tersebut tidak signfikan. Namun, konstanta tersebut tetap dapat dimasukkan ke dalam persamaan regresi. Banyak faktor mengapa muncul nilai sig. > 0,05 tersebut. Salah satu yang paling banyak menjadi penyebab adalah jumlah variabel dan indikator penelitian yang cukup banyak, tetapi jumlah sampel yang digunakan sedikit.
      Demikian tanggapan saya. Semoga bermanfaat.

      Hapus
  11. assalamualaikum saya mau tanya pak sahid, saya sedang melakukan penelitian dengan judul pegaruh tabungan pendidikan, tabungan masyrakat dan deposito terhadap pendapatan operasional, jumlah dana dari tabungan masyarakat nilainya lebih besar daripada tabungan pendidikan akan tetapi pada hasil uji regresi tabungan masyarakat kok pengaruhnya lebih sedikit yaitu 0,001 sedangkan tabungan pendidikan 0,07 kok bisa begitu kenapa pak, makasih sebelumnya

    BalasHapus
    Balasan
    1. Wa'alaikum salaam. Nah, apabila demikian kondisinya, maka yang harus dikembangkan adalah pembahasan hasil penelitiannya. Uji statistik telah dilakukan dan hasilnya cukup menarik. Kalau boleh tahu, nilai 0,001 itu nilai apa? Signifikansi ataukah R2 ? Juga nilai 0,07 tersebut.
      Demikian tanggapan saya. Semoga bermanfaat.

      Hapus
  12. maksutsaya pak seta basri, maaf salah panggil

    BalasHapus
    Balasan
    1. Tidak apa. Tanggapan sudah di bagian atas ya.

      Hapus
  13. Salam Pak, saya sedang melakukan penelitian dengan data panel. Sampel saya 40 dgn periode 5 tahun. Saya menganalisisnya menggunaka eviews, setelah saya hitung hasilnya R square nya 0,126 dan adjusted R squarednya 0,10
    Uji f nya tingkat sig nya dibwah 0,05
    Tapi doping saya bilang adjusted R squared saya terlalu rendah.
    Saya bingung mau jelasinnya pak, apakah ada buku yg bisa jadi referensi saya untuk menjelaskan ini pakpak
    Mohon bantuannya ya pak...
    Terima kasih :)

    BalasHapus
    Balasan
    1. Salam Rut. Sebenarnya, itulah hasil penelitian. Kita sesungguhnya tidak boleh tautologis, yaitu terlampau berkeinginan hasil penelitian yang dihasilkan harus terjadi menurut yang kita asumsikan. Nilai hasil penelitian cukup konsisten. Ini terlihat dari tidak terlampau jauhnya jarak antara R2 (0,126) dengan Adjusted R2 (0,10). Cuma berbeda 0,026 saja dan itu tidak dianggap terlampau signifikan. Nilai Adjusted R Square ini semacam 'koreksi' atas nilai R2 dan memang nilainya (biasanya) selalu berada di bawah nilai R2. Itu sesuatu yang normal.
      Juga, nilai signifikansi uji F yang < 0,05 menyatakan bahwa hasil uji yang Anda lakukan adalah signifikan.
      Demikian tanggapan saya. Sama-sama. Semoga bermanfaat.

      Hapus
  14. Komentar ini telah dihapus oleh pengarang.

    BalasHapus
  15. selamat siang Pak, saya mau tanya bagaimana membaca persamaan regresi yang datanya di Ln kan? ini persamaan regresinya ROA= -2,159-1,740LnCR + 1,672LnTATO-1,176LnDER

    BalasHapus
    Balasan
    1. Selamat siang. Cara pembacaannya sama dengan persamaan regresi biasa. ROA adalah regresinya. -2,159 adalah konstantanya. -1,740LnCR adalah konstanta X1. +1,672LnTATO adalah konstanta X2. -1,176LnDER adalah konstanta X3.
      Demikian tanggapan saya. Semoga bermanfaat.

      Hapus
  16. assalamualaikum pak, mau tanya. mungkin tidak kalau nilai r2 nya 1? bukannya itu terlalu sempurna ya untuk suatu model dan itu kejadian yg jarang terjadi? kalau spt itu biasanya dipengaruhi oleh apa? sama mau tanya lagi pak mengenai nilai f yang tinggi sekali misal 1.234e3 nah itu kenapa ya? mungkinkah kalau suatu model nilai f nya tinggi sekali? untuk kasus seperti diatas suatu model bisa dikatakan layak tidak pak? (jika nilai sig dan t sdh memenuhi)

    BalasHapus
    Balasan
    1. Wa'alaikum salaam. Nilai 1 tersebut, apabila seluruh rangkaian persyaratan uji regresi telah dipenuhi, mungkin saja terjadi. Makna dari nilai R2 adalah seberapa besar variabilitas di variabel terikat dihasilkan oleh variabel bebas. Dapat juga dilihat pada nilai Adjusted R Square. Apakah masih 1 juga? Kalau ia cenderung bernilai mendekati R2 maka tidak terlalu bermasalah model yang terbangun tersebut. Untuk nilai F, nilai tersebut sesungguhnya tidak terlampau besar karena 1,234 (SPSS secara default menggunakan format angka Inggris, titik kalau di Indonesia menjadi koma).
      Dengan demikian, dapat dikatakan bahwa model Anda layak untuk penelitian ini.
      Demikian tanggapan saya. Semoga bermanfaat.

      Hapus
  17. Anonim17.6.16

    pak saya ima, mahasiswa yang sedang skripsi,
    saya mau menanyakan apakah variabel dependent itu harus 1, dalam penelitian saya, saya menggunakan 2 indikator dalam mengukur nilai prediksi (y) pak,
    apakah kedua indikator tersebut bisa dijumahkan hasilnya, dan hasil trsebut yang saya gunakan untuk y

    BalasHapus
    Balasan
    1. Sebenarnya tidak selalu harus 1 variabel dependen itu. Semua bergantung pada desain penelitian yang ditetapkan sebelumnya sesuai dengan landasan teoretis. Dalam kasus Anda, variabel Y terdiri atas 2 indikator. Variabel Y dengan demikian merupakan total jumlah dari kedua indikator tersebut. Tentu dengan cara menjumlahkan kedua indikator tersebut.
      Demikian tanggapan saya. Semoga bermanfaat.

      Hapus
  18. Dear Pak Seta Basri, mmau minta bantuan nih^^
    Hasil uji regresi linear saya nilai konstantanya -5.980E-005 gimana cara penulisannya? sedangakan nilai X1 0.286 dan X2 adalah - 0.085.

    BalasHapus
    Balasan
    1. Diambil saja nilai 3 digit di belakang koma agar seragam dengan nilai X2 dan X2. Contoh, -5,980 karena tidak akan terlampau signifikan perbedaannya dengan yang utuh.
      Demikian tanggapan saya. Semoga bermanfaat.

      Hapus
  19. selamat siang Pak, saya ingin bertanya. jika didalam variabel X terdapat 4 dimensi, x1a, x1b, x1c dan x1d. kemudian ingin dicari masing-masing dimensi tersebut apakah berpengaruh terhadap Y atau tidak bagaimana kah langkah-langkahnya Pak? atau dapat dilihat dari nilai apa ya? Terima kasih.

    BalasHapus
    Balasan
    1. Selamat siang. Jika hendak menguji pengaruh dari masing-masing dimensi maka langkah-langkahnya mirip seperti regresi berganda lainnya. Lakukan langkah-langkah uji regresi berganda dengan SPSS seperti di atas. Untuk yang per dimensi, dilihat nilai t hitungnya. Bandingkan dengan t tabel.
      Demikian tanggapan saya. Sama-sama. Semoga bermanfaat.

      Hapus
  20. Anonim7.9.16

    pak saya ingin bertanya. Jika saya ingin meneliti dengan regresi linier berganda, dan objek saya 5 perusahaan dalam kurun waktu 6 tahun. bagaimana cara menuliskan di inputan spss nya ya pak? apa langsung ditulis sepanjang 30 ke bawah tanpa memperdulikan perusahaan dan tahunnya atau bagaimana pak? terimakasih

    BalasHapus
    Balasan
    1. Mungkin dapat dispesifikkan, variabel-variabel bebas dan terikatnya. Apabila boleh diasumsikan, maka sebagai prediktor apakah perusahaan ataukah tahun, atau keduanya? Apabila demikian, maka dapat saja disikapi atribut datanya berdasarkan tahun maupun perusahaan.
      Demikian tanggapan saya.

      Hapus
  21. artikel keren! sangat membantu..

    BalasHapus
    Balasan
    1. Alhamdulillah. Semoga bermanfaat.

      Hapus
  22. alhamdulillah, terima kasih atas postingannya

    BalasHapus
  23. Selamat Sore pak, mohon maaf saya ingin bertanya, saya mengerjakan skripsi dengan 4 variabel independen, 1 variabel moderasi dan 1 dependen, saya membuat 9 hipotesa dan setelah saya lakukan prosesnya, terdapat 2 data exclude namun tidak konstan, terkadang 2 hipotesa moderasi datanya exclude, kadang variabel independen dan variabel moderasi yang keluar, mohon sekali untuk pencerahannya pak, terima kasih banyak

    BalasHapus
    Balasan
    1. Selamat sore. Akan coba saya tanggapi sepemahaman saya, ya. Ada yang menyebut di dalam penggunaan multiple regression dengan SPSS ini bahwa makin sedikit prediktor semakin baik hasilnya. Adalah penting untuk tidak memasukkan terlalu banyak prediktor. Utamakan prediktor-prediktor yang memiliki dasar teoretis yang terbaik. Bahwa dengan 4 VB, 1 VM, dan 1 VT, adalah mode Stepwise mungkin yang dipilih? Dengan metode ini, mungkin peneliti dapat memasukkan terlebih dahulu VB tertentu yang diyakini menghasilkan outcome terbaik untuk VT. Demikian terus dicoba dan dicatat hasilnya, untuk menemukan pola pemasukan ke dalam kotak analisis yang paling baik. Di atas itu semua, tentu saja semakin besar sampel yang digunakan, akan semakin baik memprediksi variabel yang cukup banyak ini.
      Demikian tanggapan dari saya. Sama-sama. Semoga bermanfaat.

      Hapus
  24. Assalamu'alaikum, selamat malam bapak,,
    Ada yg ingin sya tanyakan, apakah ada perbedaan dalam menuliskan persamaan regresi untuk data yg hanya trdiri dri variabel bebas dan variabel terikat, dengan data yg menambahkan variabel intervening didalamnya,, ? Kalau memang ada lantas apa yg membedakan dri keduanya,,
    Mohon bantuannya bapak,,
    Terima kasih

    BalasHapus
    Balasan
    1. Wa'alaikum salaam. Selamat malam Linda. Tentu saja berbeda, kendati bentuk dasarnya adalah sama. Apabila model penelitiannya seperti ini:
      X ---> Y.
      Persamaan yang ditulis Y = B0 + B1X + e
      Apabila ada variabel intervening di dalamnya, makan modelnya mungkin seperti ini:
      c
      --------------------
      | |
      X ----> M --------> Y
      a b
      Jadi, persamaan yang perlu dihitung ada 3, yaitu a, b, dan c.
      Apabila yang langsung X ---> Y hanya menghitung c saja.
      Demikian tanggapan saya. Sama-sama. Semoga bermanfaat.

      Hapus
  25. Assalamu'alaikum, selamat malam bapak,,
    Ada yg ingin sya tanyakan, begini bapak apakah ada perbedaan dlm penulisan persamaan regresi berganda antara penelitian yg hanya trdiri dari variabel bebas 'n terikat dngan penelitian yg menambahkan variabel interveing dlm pnelitiannya,, ? Apabila ada lantas apa yg membedakan keduanya,, ??
    Mohon bantuannya bapak,,
    Terima kaaih

    BalasHapus
    Balasan
    1. Sudah di bagian atas, ya. Maaf gambar modelnya kurang jelas karena keterbatasan fitur komentar ini.
      Sama-sama. Semoga bermanfaat.

      Hapus
  26. Terimakasih pak atas ilmunya, sangat bermanfaat.

    BalasHapus
  27. pak saya ingin bertanya. saya melakukan uji regresi linier berganda. total sampel saya hanya 20. jadi variabel bebas saya ada 4 dan terikat 1, sedangkan tahun yang saya pakai hanya 5 tahun saja. dan saya mengambil data triwulanan. apakah tidak apa2 jika saya menggunakan total sampel hanya 20 untuk regresi linier berganda? Jika memang tidak apa2, buku refrensi apa yg bisa saya gunakan? Terima kasih pak

    BalasHapus
    Balasan
    1. Sebagian sudah saya tanggapi di bagian bawah ya. Sebagai tambahan, variabel bebas yang digunakan cukup banyak. Paling tidak, nantinya ada kemungkinan terjadinya "redundancy" yang terjadi akibat terlalu besarnya jumlah item ketimbang variasi jawaban yang diwakili responden. Masalah lain, kemungkinan, adalah munculnya nilai alpha penelitian yang berada di atas alpha asumsi, yang mendorong munculnya keputusan bahwa hasil uji statistik kita tidak signifikan.
      Saran saya, silakan diskusikan dengan dosen pembimbing apakah tetap menggunakan 4 variabel bebas ataukah dapat dikurangi, dengan tidak menyimpang dari landasan teori yang disusun sebelumnya.
      Demikian tanggapan saya. Sama-sama. Semoga bermanfaat.

      Hapus
  28. pak saya ingin bertanya, apakah ada jumlah minimum sampel analisis regresi linier berganda? karena saya hanya memakai jumlah sampel 20. apakah ada buku yang bisa menguatkan jika sampel regresi linier berganda bisa dibawah 30? jika ada, mohon referensinya. terima kasih pak

    BalasHapus
    Balasan
    1. Memang, untuk uji regresi ini terdapat banyak pendapat mengenai jumlah sampel minimal. Misalnya, ada yang menyatakan bahwa batas ideal sebuah uji regresi adalah 58 sampel untuk setiap variabel bebas yang diikutsertakan. Jadi, apabila menggunakan 2 variabel bebas, maka sampel idealnya adalah 58 x 2 = 116.
      Namun, ada lagi tulisan mengenai batas sampel penelitian korelasional (regresi termasuk korelasional). Untuk referensi hal ini adalah pendapat Cohen, Manion, dan Morrison berikut:
      "One such example is provided by Krejcie and Morgan (1970), whose work suggest that if the researcher were devising a sample from wider population of 30 or fewer .... then she/he wourld be well advised to include the whole of the wider population as the sample."
      Sumber: Louis Cohen, Lawrence Manion, and Keith Morrison, Research Methods in Education, 7th Edition, New York: Routledge, 2011. p.145.
      Saran saya, diskusikan mengenai masalah sampel ini dengan dosen pembimbing penelitian, ya.
      Demikian tanggapan dari saya. Sama-sama. Semoga bermanfaat.

      Hapus
  29. izin bertanya pak, saya baru saja menemukan artikel ini. Menurut saya sangat menarik dan bermanfaat sekali.
    Saat ini saya mahasiswa S1 Agribisnis yang sedang mengerjakan penelitian skripsi. Ada yg ingin saya tanyakan mengenai penelitian saya pak. Jadi saya menggunakan alat analysis Logit multinomial, dimana saya memiliki 5 variabel dependen dan 5 variabel independen. Secara uji f, uji t, uji ketepatan model, modelnya sudah cukup baik. Tetapi terdapat 57 missing values dalam data saya. kemudian saya coba transformasi datanya dengan nilai pengganti rerata. memang sesudah itu missing valuenya jadi 0. tapi total data saya jadi bertambah dari 100 menjadi 157. kalau yg saya tangkap itu karena missing valuenya sudah tergabung ke data asli saya. dan yang bingungnya lagi variabel dependen saya yang yang tadinya 5 bertambah satu, menjadi 6. yang saya lihat satu varibel tambahan itu justru muncul dari 57 nilai tambahan dari missing value yang sudah di transformasikan tadi. kira-kira bagaimana menurut bapak? Apakah nilai tambahan dari missing value ini bisa diabaikan saja?

    kalau bapak tidak keberatan mungkin bisa saya kirim hasil spssnya ke e-mail bapak. ini email saya, oliviaalfath@gmail.com

    Mohon bimbingan dan arahannya pak ^^

    BalasHapus
    Balasan
    1. Saya akan coba memberi tanggapan. Sepemahaman saya, missing value tersebut berawal dari item-item di dalam kuesioner yang tidak diisi oleh responden. Item-item di dalam kuesioner diturunkan dari indikator-indikator di dalam sebuah variabel. Indikator-indikator diturunkan dari variabel penelitian kita. Seharusnya, sesuai dengan desain penelitian yang telah disusun sebelumnya, tidak boleh terjadi penambahan sebuah variabel baru karena di dalam penelitian kuantitatif, konstruk penelitian merupakan acuan utama dalam melakukan desain instrumen pengambilan data. Terkecuali, peneliti memiliki pembenaran teoretis untuk, di dalam proses penelitian yang dilakukan, memunculkan variabel baru secara induktif.
      Alangkah baiknya apabila dilakukan penelusuran ulang guna mengidentifikasi dari item-item indikator yang mana 'variabel baru' tersebut muncul. Dan apabila boleh menyampaikan saran, sebaiknya kita tetap konsisten dengan desain konstruk yang sudah terbangun sebelumnya. Jadikan saja 'kemunculan' tadi sebagai catatan-catatan di dalam penelitian kita.
      Demikian tanggapan dari saya. Semoga bermanfaat.

      Hapus
  30. Mba , saya mau nnya gimana ya cara nya mengolag data jika variabel x nya mnggunakan kuesioner , sdngkan variabel Y nya tidak . Saya mau ke uji normalitas nya tp tidak bs . Gimana ya mba . Mohon bantuan

    BalasHapus
    Balasan
    1. Mungkin bisa lebih dijelaskan, data untuk variabel Y diperoleh di dalam bentuk apa? Misalnya, apakah data penjualan, data dari BPS, atau bagaimana?
      Semoga bermanfaat.

      Hapus
  31. Assalamualaikum Bapak.
    Saya butuh saran dari bapak, saya mahasiswa semester akhir dan mengalami kendala dalam menentukan uji apa yang baiknya saya gunakan.

    Dalam penelitian saya, saya menggunakan 1 variabel X dan 2 variabel Y (paradigma dg 2 variabel dependen)
    Adapun judul skripsi saya : Pengaruh internet marketing dalam pembentukan brand awareness terhadap keputusan pembelian konsumen (studi pada konsumen .......)

    Uji apakah yang sebaiknya saya gunakan ?
    Dan saya mohon bantuan saran utk masing2 indikator dr tiap variabel yang bisa saya gunakan.

    Saya mohon bantuannya pak, saya hampir putus asa.
    Mohon bantuannya.
    Terima kasih 😢

    Wassalualaikum

    BalasHapus
    Balasan
    1. Wa'alaikum salaam. Apabila diringkaskan, maka penelitian terdiri atas 1 Variabel Bebas dan 2 Variabel Terikat. Untuk kasus seperti ini, mungkin dapat diterapkan Uji MANOVA. Prosedur pengujiannya banyak terdapat di buku-buku metode penelitian ataupun tersedia berlimpah di internet, baik sumber dalam negeri maupun luar negeri. Uji ini sudah banyak yang menggunakan.

      Namun, perlu dilihat lebih rinci lagi desain penelitiannya. Di sana dinyatakan "Pengaruh Internet Marketing dalam Pembentukan Brand Awareness terhadap Keputusan Pembelian". Sepemahaman saya, disini justru ada 2 variabel X dan 1 variabel Y. Variabel X1 adalah "Internet Marketing". Variabel X2 adalah "Brand Awareness". Variabel Y adalah "Keputusan Pembelian." Jadi, sesungguhnya X1 = Variabel Bebas, X2 = Intervening Variabel, dan Y = Variabel Terikan. Untuk kasus ini, sesungguhnya bisa menggunakan uji regresi yang dinamakan Path Analysis. Metodenya banyak kok terdapat di buku-buku maupun internet.

      Mengenai penyusunan indikator, silakan ditelusuri lagi landasan teori. Jawab saja pertanyaan seperti: "Apa saja indikator Internet Marketing ?"; Apa saja indikator Brand Awareness ?"; dan "Apa saja indikator Keputusan Pembelian?".

      Demikian tanggapan saya. Semoga sukses penelitiannya. Semoga bermanfaat.

      Hapus
  32. Anonim15.6.17

    selamat malam pak tatang
    saya sedang penelitian, nah,,,, hasil menunjukan bahwa dari uji f bahwa variabel dinyatakan signifikan, sedangkan di uji t variabel tidak signifikan.. apa maksud dari hal itu ya pak? mohon pencerahannya. terimakasih

    BalasHapus
    Balasan
    1. Selamat malam. Perlu diketahui, uji F dilakukan apabila variabel bebas lebih dari satu dan diuji secara simultan pengaruhnya terhadap variabel terikat. Sementara uji t lebih kepada uji parsial masing-masing variabel bebas terhadap variabel terikat.

      Apabila memang yang dilakukan adalah regresi berganda, maka hanya jika kedua variabel bebas diregresi secara simultanlah pengaruh signifikan terjadi.

      Sama-sama.

      Hapus
  33. Selamat Malam Pak,salam kenal :)
    Penelitian saya menggunakan 3 Vb dan 1 Vt,apa boleh hanya menggunakan regresi berganda tanpa menghitung regresi sederhananya?
    apakah nilai pada uji parsial itu sama dengan nilai regresi sederhana?terimakasih

    BalasHapus
    Balasan
    1. Selamat malam. Maaf sangat terlambat tanggapan saya.
      Penentuan apakan hanya menggunakan regresi berganda tanpa regresi sederhana (mungkin maksudnya parsial), semua terpulang pada desain hipotesis. Jika hipotesis hanya menyatakan 1 hipotesis alternatif, maka ya hanya sekali uji simultan saja (sekaligus 3 variabel bebas). Kalau hipotesis merancang ada uji-uji parsial (regresi sederhana) ya harus diadakan. Demikian tanggapan saya. Semoga bermanfaat.
      Sama-sama.

      Hapus
  34. Biro Olah Data Skripsi, Tesis, Disertasi Untuk Analisis Statistika Dengan SPSS, AMOS, LISREL, EVIEWS, SMARTPLS, GRETL, STATA, MINITAB dan DEAP 2.1
    WhatsApp : +6285227746673
    IG : @olahdatasemarang
    Website : http://biro-jasa-spss.blogspot.co.id
    Terdaftar Di Google Map Dengan Nama Olah Data Semarang

    BalasHapus
  35. Terima kasih sudah berbagi ilmu. Jazakallah khairan

    BalasHapus
  36. Anonim2.12.17

    Maaf, saya mau tanya. Kenapa data kuesioner yang memiliki skala pengukuran data adalah nominal/ordinal untuk variabel dependennya, bisa menggunakan analisis regresi berganda. Sedangkan pada analisis regresi berganda skala data minimal untuk variabel dependennya adalah interval, jika skala data yang digunakan adalah nominal/ordinal, maka analisis regresi yang digunakan adalah regresi logistik. Mohon penjelasannya. Saya masih bingung. Apakah data kuesioner tersebut perlu dilakukan normalisasi atau bagaimana?. Terima kasih.

    BalasHapus
    Balasan
    1. Saya juga mohon maaf karena baru sempat menjawab sekarang.
      Benar, bahwa apabila data variabel dependen nominal lebih layak dilakukan regresi logistik. Permasalahan ada di data berskala Ordinal. Apakah data skala sikap misalnya SS, S, TS, dan STS masuk kategori ordinal ataukah interval?
      Terdapat perbedaan penafsiran skala ukur kuesioner dimasukkan ke dalam skala ordinal ataukah interval. Penulis semisal Donald P. Schwab menyatakannya skala itu sudah interval. Namun, lebih banyak penulis lainnya menyatakannya sebagai ordinal.
      Saya pribadi cenderung pada pendapat Schwab di atas. Namun, apabila tetap skala ordinal tersebut hendak digunakan dalap penelitian, seraya menghilangkan keraguan, dapat dikonversi dari ordinal menjadi interval menggunakan metode MSI (Method of Successive Interval). Jadilah data nominal tersebut menjadi interval. Ini sudah umum digunakan. Namun, tidak bisa skala nominal dikonversi seperti itu tentunya.
      Demikian tanggapan saya. Semoga bermanfaat. Jangan lupa bandingkan dengan sumber lain atau tanyakan pada dosen pembimbing anda.
      Sama-sama.

      Hapus
  37. Olah Data Semarang Khusus Untuk Olah Data Frontier 4.1, DEAP 2.1
    SPSS, AMOS, LISREL, EVIEWS, SMARTPLS, Software R
    WA : +6285227746673
    IG : @olahdatasemarang

    BalasHapus
  38. saya ingin bertanya, apakah nilai X dan y bisa dicari, jika diketahui R2nya?
    karna rumus regresi yg saya pakai berbeda dgn biasanya..

    BalasHapus
    Balasan
    1. Maaf saya sangat terlambat menanggapi. Menurut saya bisa saja, tetapi seperti "dicocok-cocokkan" seperti, maaf. tebak-tebakan. Karena hakikatnya nilai R adalah produk orisinil dari nilai X faktual hasil penelitian.
      Mungkin saya keliru dan dapat dicari referensi dari sumber lain.
      Demikian tanggapan saya. Semoga bermanfaat.

      Hapus
  39. Mohon konfirmasi: Dalam penelitian kuantitatif dengan butir pertanyaan berjumlah 5 atau ganjil, tatkala diterapan di Indonesia kerap kali menghasilkan data yang tidak significant karena orang Indonesia lebih suka bermain aman (play safe) dengan memilih jawaban tengah atau netral. Apakah memang benar demikian adanya? Apabila ada pakar yang pernah menyatakan pendapat demikian, mohon info link atau pun namanya. Terima kasih.

    BalasHapus
    Balasan
    1. Mohon maaf sebelumnya karena saya sangat terlambat menanggapi.
      Apakah yang dimaksud jumlah pernyataan (turunan indikator) yang 5 atau ganjil ataukah pilihan jawaban yang ganjil atau 5 (misalnya sikap SS, S, RR, TS, dan STS) ?
      Kalau yang pertama saya kira tidak adalah masalah, karena jumlah pernyataan dalam kuesioner sangat bergantung pada jumlah indikator yang digunakan dalam penelitian. Asalkan, apabila indikator ada 5, maka diturunkan menjadi 5 pernyataan (kalau satu indikator diwakili 1 pernyataan) atau 15 (kalau satu indikator diwakili 3 pernyataan).
      Apabila yang dimaksud adalah yang kedua, yaitu skala pilihan jawaban responden, yang umumnya menggunakan Likert Scale, Likert sendiri berpendapat tidak ada pendapat yang netral. Menurut Likert hanya ada Setuju dan Tidak Setuju, Suka dan Tidak Suka. Sehingga Likert Scale secara genealogis hanya membelah sikap menjadi 2 bagian: Suka-Tidak Suka (bisa digradasi menjadi SS, S, TS, dan STS).
      Anda dapat mencarinya dengan keyword Rensis Likert Scale, berupa tulisan Likert sendiri. Saya kira banyak di internet.
      Demikian tanggapan dari saya. Semoga bermanfaat.
      Sama-sama.

      Hapus
  40. Olah Data SPSS, AMOS, LISREL
    EVIEWS, SMARTPLS, GRETL, STATA, MINITAB dan DEAP 2.1
    WhatsApp : +6285227746673
    IG : @olahdatasemarang

    BalasHapus
  41. Mohon bantuan nya pak, variabel dependentnya menggunakan skala ordinal variabel independentnya juga menggunakan skala ordinal. Penelitian saya mencari pengaruh. Uji regresi apa yg tepat untuk penelitian saya pak?

    BalasHapus
    Balasan
    1. Sebelumnya mohon maaf karena sangat lambat menanggapi.
      Apakah variabel dependen dan independen tersebut merupakan pilihan sikap seperti SS, S, TS, dan STS ? Apabila demikian, saya pribadi menganggapnya masuk kategori skala interval dan dapat dilakukan Uji Regresi terhadapnya.
      Namun, apabila kita ragu apakah mereka masuk kategori ordinal, dapat kita konversi yang "ordinal" tersebut menjadi "interval" dengan cara Method of Successive Interval (MSI). Metode konversi ini banyak tutorialnya di internet, bahkan sampai menyediakan file aplikasi Excelnya.
      Mengenai uji regresi yang tepat, apabila ada 2 variabel bebas dan 1 terikat, maka menggunakan Uji Regresi Linier Berganda. Kalau masing-masing 1 variabel, gunakan saja uji regresi linier sederhana.
      Demikian tanggapan saya. Semoga bermanfaat.

      Hapus
  42. Assalamualaikum pak
    Saya mau tanya
    Di tabel Coefficients a terdapat kolom unstandardized Coefficients di bagian B variabel bebas bernilai :-1,654E-5 apa itu menandakan data error mohon penjelasan karna saya tidak mengerti sama sekali ttg spss

    BalasHapus
    Balasan
    1. Wa'alaikum salaam. Mohon maaf sebelumnya apabila tanggapan saya ini sangat terlambat.
      Mungkin itu nilai Beta dari Unstandardized Coefficient. Tanda minus bukan menandakan error, melainkan arah hubungan yang negatif. Gambarannya adalah variabel bebas memengaruhi variabel terikat secara negatif (berkebalikan) tidak searah.
      Demikian tanggapan saya. Silakan diskusikan dengan dosen pembimbing skripsi ya.
      Semoga bermanfaat.

      Hapus
  43. Anonim21.10.18

    Pak saya mau tanya apa dalam regresi berganda diwajibkan untuk uji asumsi klasik? Dosen saya bilang boleh dihilangkan, dan saya kurang paham alasannya. 2 Variabel bebas dengan sampel 43.

    BalasHapus
    Balasan
    1. Sesungguhnya, secara prosedural, uji asumsi klasik dimaksudnya untuk pemeriksaan pendahuluan apakah data-data variabel kita memenuhi syarat untuk diuji secara regresi.
      Persoalan di lapangan, terutama mahasiswa yang tengah menempuh skripsi (terlebih yang berasal dari disiplin ilmu seperti ilmu politik seperti saya) sudah "pusing" lebih dahulu melihat sederetan perhitungan dan angka-angka. Belum lagi menghitung uji regresi dan menafsirkan hasilnya.
      Dengan demikian, tentu dosen anda memiliki kebijaksanaan tersendiri mengenai hal tersebut. Termasuk juga saya.
      Mungkin ini bukan merupakan jawaban.
      Demikian tanggapan saya. Semoga bermanfaat.

      Hapus
  44. mau tanya, untuk hasil standar uji kelayakan dari hierarchical regression itu apa saja ya?

    BalasHapus
  45. Anonim20.3.19

    Selamat siang pak

    Blog nya sangat membantu saya dalam uji spss, terimakasih sekali
    Hmm, sama izin tanya pak, kalau uji spss, dalam memasukkan data kuantitatif, apakah kita dapat menggunakan persentase? Contoh dalam Net Profit Margin dengan data 3,32% atau 0,332? Angka apa yang kita masukkan? APakah 3,32 atau 0,332?

    BalasHapus
    Balasan
    1. Selamat siang.
      Tentu saja salah satu harus dipilih. Apabila menggunakan persen, maka seluruh data variabel tersebut harus dalam kuantifikasi persen. Kalau ingin nilai sesungguhnya, maka seluruhnya harus nilai sesungguhnya pula. Jangan sampai ada perbedaan dalam kuantifikati tersebut.
      Demikian tanggapan saya. Semoga bermanfaat.

      Hapus
  46. Olah Data Semarang
    Jasa Olah Data SPSS, AMOS, LISREL, Frontier 4.1
    EVIEWS, SMARTPLS, STATA, DEAP 2.1, DLL
    Contact Person WhatsApp
    Klik Link Dibawah
    Contact Person WhatsApp +6285227746673

    BalasHapus
  47. Mau nanya bu. Apa yang terjadi bila nilai beta terlalu tinggi? Untuk nilai signifikansinya 0.024 lbih kcil dari 0.05. Trimakasih

    BalasHapus
    Balasan
    1. Maksudnya, nilai beta yang mana ya? Kalau nilai beta tersebut signifikan (lebih kecil dari 0,05. Atau, bisa dilihat pada aneka komentar di atas.
      Demikian tanggapan saya. Semoga bermanfaat.

      Hapus
  48. Apa yang terjadi bila nilai beta terlalu tinggi sementara nilai signifkansinya lebih kecil dari 0.05

    BalasHapus
  49. selamat siang pak, terimakasih atas ilmu yang bapak berikan tetapi saya mengalami kendala karena ada exclude variabel ketika saya menjalankan aplikasi spps, solusinya bagaimana ya pak? dan apa penyebab adanya exclude variable. terimakasih bnyak pak. mhon bantuannya

    BalasHapus
    Balasan
    1. Selamat sore.
      Exclude Variable bisa di setting saat melakukan aneka langkah dalam Uji Regresi dengan SPSS. Kalau tidak menginginkan exclude variable, dihilangkan saja atau set menjadi 0.
      Atau, silakan lihat komentar-komentar di bagian atas.
      Demikian tanggapan saya. Sama-sama. Semoga bermanfaat.

      Hapus
  50. Jika unstandardized coefficient nilai B nya di salah sa variabel nya 9,024E-9 itu gmn ya pak?

    BalasHapus
    Balasan
    1. Tandanya ngga muat digit di belakang komanya. Kita pakai saja nilai 9,024. Cukup kalau menurut saya untuk dilakukan perhitungan yang cukup presisi.
      Demikian tanggapan saya, semoga bermanfaat.

      Hapus
  51. Pak mau Tanya, alasan memilih koefisien regresi yg standardized untuk kuesioner itu sebenarnya kenapa ya? Apakah ada sumbernya buku yg bahasa Indonesia? Karena lihat Robert Ho pake inggris semua jd kurang paham

    BalasHapus
  52. 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.

    Sumber : Robert Ho, Handbook of Univariate and Multivariate Dana Analysis and Interpretation with SPSS(Boca Raton: Chapman & Hall, 2006) pp. 200-1.

    Mohon maaf saya belum menemukan sumber yang berbahasa Indonesia. Mungkin karena 'kemalasan' saya mencari. Terima kasih.

    BalasHapus
  53. selamat malam pak saya ingin bertanya, jika variabel x saya merupakan rasio keuangan (OPM, TATO, dan DR) sedangkan variabel y saya merupakan harga saham, untuk memasukan data variabel X ke dalam spss apakah harus diubah dahulu ke dalam bentuk persentase? misal hasil rasio OPM sebesar 0,113. untuk memasukan datanya ke dalam spss apakah tetap 0,113 atau 11,3?

    BalasHapus
    Balasan
    1. Selamat malam. Sepemahaman saya keduanya bisa. Namun bentuk persentase lebih mudah untuk ditulis ketimbang yang desimal.
      Demikian, semoga bermanfaat.

      Hapus
  54. Komentar ini telah dihapus oleh pengarang.

    BalasHapus
  55. maaf saya mau tanya, apa beda regresi logistik multinomial dengan regresi polinomial

    BalasHapus
    Balasan
    1. Multinomial adalah regresi logistik yang variabel luarannya punya lebih dari dua kategori. Polinomial adalah regresi untuk menunjukkan trend data, biasanya antar waktu.

      Hapus
  56. Olah Data Semarang 2021
    Menerima Jasa Olah Data Analisis Statistika Menggunakan
    SPSS, AMOS, LISREL, Frontier 4.1, EVIEWS, SMARTPLS, STATA
    DEAP 2.1, DLL
    Contact Person WhatsApp
    WA : +6285227746673 (085227746673)
    #olahdatasemarang_2021
    olahdatasemarang_2021

    BalasHapus
  57. assalamu'alaikum, izin bertanyaaa, jika nilai koefisien regresi sebesar 0,00 berartiii itu tidak ada pengaruuh terhadap variabel dependennya atau bagaimana yaaa?

    BalasHapus
    Balasan
    1. Wa'alaikum salaam.
      Mohon dikonfirmasi, apakah itu nilai R atau nilai sig. hitung? Kalau nilai sig. hitung maknanya signifikan. Kalau nilai R berarti total tidak ada pengaruh.
      Demikian tanggapan saya. Semoga bermanfaat.

      Hapus
  58. Assalamualaykum pak. Terimakasih atas artikelnya yang sangat membantu.

    Saya ingin bertanya pak. Pada uji persamaan regresi linier berganda, nilai Beta pada Unstandardized Coeffcients pada salah satu variabel sangat tinggi hingga ribuan. Yaitu pada variabel ROE dengan nilai 3100,41.
    Apa hal seperti itu wajar pa? dan bisa terjadi? Atau ada kesalahan dengan datanya? meskipun nilai sig dan t-hitung sudah memenuhi untuk dikatakan berpengaruh.

    BalasHapus
    Balasan
    1. Wa'alaikum salaam. Maaf baru sempat menjawab. Nilai pada Unstandardized Coefficients yang besar tentu tidak masalah, sesuai dengan data-data yang telah Anda input untuk variabel tersebut.
      Demikian tanggapan saya. Semoga bermanfaat.

      Hapus
  59. Selamat malam pak, maaf mau tanya kalau uji kelayakan model (uji f) nya tidak layak dan pada uji t hipotesisnya ditolak semua apakah masih boleh diteruskan penelitiannya? dan jika boleh diteruskan alasannya apa ya? Terimakasih

    BalasHapus
    Balasan
    1. Selamat malam.
      Mengenai model fit, saya kira sebaiknya diupayakan lolos dari uji kelayakan yang digunakan. Persoalan utama dari suatu model menjadi tidak layak umumnya adalah keberadaan outlier. Saran saya coba cek terlebih dahulu raw data Anda lalu eliminasi outlier-outlier yang ada. Setelah itu kembali lakukan uji kelayakan. Mudah-mudahan kelayakannya bisa termoderasi.
      Demikian tanggapan saya. Semoga bermanfaat.

      Hapus
  60. Assalamualaikum maaf saya mau tanya jika mencari jumlah sampel dari suatu penelitian tabel coefficients dan tabel anova bagaimana ya? terima kasih sebelumnya

    BalasHapus
    Balasan
    1. Wa'alaikum salaam.
      Di tabel Anova coba dilihat nilai kolom df untuk Total Model.
      Sama-sama. Semoga bermanfaat.

      Hapus
  61. Anonim19.8.21

    Permisi pak maaf mau bertanya , apakah hasil dari R square yang lebih dari 50% ini, dan hasil simultan yang berpengaruh, sesuai dengan hasil parsialnya yang hanya 1 variabel x saja yg berpengaruh. Bagaimana menjelaskan hal ini ya pak ?
    terimakasih sebelumnya pak

    BalasHapus
    Balasan
    1. Jika lebih dari 1 variabel bebas maka untuk pengaruh simultan dilihat nilai F hitung. Bandingkan dengan F tabel. Jika F hitung > F tabel maka secara simultan X1, X2, Xn berpengaruh terhadap Y.

      Nilai R Square digunakan untuk Koefisien Determinasi. Misalnya nilai R Square 56,789 x 100% = 57%. Maka secara simultan (bersamaan) X1, X2, Xn mempengaruhi Y sebesar 57%. Sisanya yaitu 43% dipengaruhi oleh variabel-variabel bebas lain yang tidak diikutsertakan di dalam penelitian.

      Namun, untuk melihat pengaruh masing-masing variabel bebas terhadap Y harus dilihat nilai parsial atau uji t - nya. Misalkan X1 berpengaruh, X2 tidak berpengaruh, Xn tidak berpengaruh, maka tinggal dijelaskan sebagai berikut:

      "Jika dilakukan uji simultan, maka seluruh X mempengaruhi Y."
      Namun, "jika dilakukan uji parsial maka hanya X1 yang mempengaruhi Y. Sebab itu, X2 dan Xn tidak bisa mempengaruhi Y apabila tidak dilakukan bersamaan dengan X1 dan X2. "

      Kira-kira demikian tanggapan saya. Semoga bermanfaat.

      Hapus

Anonim pun dapat berkomentar. Namun, tentu saja dengan akun pun sangat dipersilakan. Jika sudah klik Publikasikan. Juga pemirsa boleh bersoal/sharing tanggapan. Komentar pemirsa tentu tidak berisi kata atau link yang merujuk pada p*rn*grafi, jud*, *ogel, kekerasan, atau sejenisnya. Terima kasih.