Web viewRata-rata X5 adalah 2624.58 dengan ... Makna nilai R-square ... Sebagai pedoman adalah jika...
Transcript of Web viewRata-rata X5 adalah 2624.58 dengan ... Makna nilai R-square ... Sebagai pedoman adalah jika...
Regression
Descriptive Statistics
Jumlah pengamatan dalam penelitian ini adalah 50 Rata-rata Y adalah 2066.62 dengan standar deviasi 466.715 Rata-rata X1 adalah 3644.88 dengan standar deviasi 1445.609 Rata-rata X2 adalah 1044.00 dengan standar deviasi 146.363 Rata-rata X3 adalah 1472.66 dengan standar deviasi 325.423 Rata-rata X4 adalah 1091.16 dengan standar deviasi 224.943 Rata-rata X5 adalah 2624.58 dengan standar deviasi 465.411
Correlations
Y X1 X2 X3 X4 X5Pearson Correlation
Y 1.000 .846 .778 .803 .733 .833X1 .846 1.000 .830 .776 .644 .885X2 .778 .830 1.000 .783 .579 .841X3 .803 .776 .783 1.000 .701 .837X4 .733 .644 .579 .701 1.000 .750X5 .833 .885 .841 .837 .750 1.000
Sig. (1-tailed)
Y . .000 .000 .000 .000 .000X1 .000 . .000 .000 .000 .000X2 .000 .000 . .000 .000 .000X3 .000 .000 .000 . .000 .000X4 .000 .000 .000 .000 . .000X5 .000 .000 .000 .000 .000 .
N Y 50 50 50 50 50 50X1 50 50 50 50 50 50X2 50 50 50 50 50 50X3 50 50 50 50 50 50X4 50 50 50 50 50 50X5 50 50 50 50 50 50
Nilai korelasi antara variable Y dan X1, X2, X3, X4, dan X5 berturut-turut adalah 0,846; 0,778; 0,803; 0,733; dan 0,833. Angka ini menunjukkan bahwa korelasi antara dua variabel ini sangat erat sekali.
MeanStd. Deviation N
Y 2066.62 466.715 50X1 3644.88 1445.609 50X2 1044.00 146.363 50X3 1472.66 325.423 50X4 1091.16 224.943 50X5 2624.58 465.411 50
Niali korelasi yang positif menunjukkan bahwa semakin meningkat nilai variablel X maka diprediksikan nilai variable Y semakin naik atau atau cenderung meningkat.
Selanjutnya secara teori, dikarenakan nilai korelasi antara variabel Y dengan X1 nilainya lebih besar dibandingkan dengan variabel X2, X3, X4, dan X5
Tingkat signifikansi koefesien korelasi (diukur dengan probabilitas) kedua variabel tersbut atau yang sedang diteliti tersebut diperoleh niali 0,000 atau praktis o. artinya, karena probabilitas jauh di bawah 0,05, maka dapat disimpulkan terdapat korelasi yang nyata antara variabel Y dengan variabel yang diperbandingkan (X1, X2, X3, X4, dan X5)
Variables Entered/Removed(b)
Model
Variables Entered
Variables Removed Method
1 X5, X4, X3, X2, X1(a)
. Enter
a All requested variables entered.b Dependent Variable: Y
tabel ini menunjukkan bahwa variabel independen yang dimasukkan adalah X1, X2, X3, X4, dan X5 tidak ada variabel yang dikeluarkan (removed), atau dengan kata lain tidak ada variabel independen dikeluarkan dalam perhitungan.
Model Summary(b)
Model R R Square
Adjusted R Square
Std. Error of the Estimate
1 .895(a) .800 .778 220.139a Predictors: (Constant), X5, X4, X3, X2, X1b Dependent Variable: Y
Nilai R-square atau kooefesien determinasi adalah sebesar 0,800. Angka ini mempunyai arti sebagai berikut:
Nilai R-square berkisar antara angka 0 sampai 1. Nialai R-square yang semakin besar, yaitu mendekati 1 menunjukkan bahwa model yang dirumuskan untuk menjelaskan variabel Y adalah sangat baik.
Makna nilai R-square adalah bahwa 80% variabel Y dapat dijelaskan atau dipengaruhi oleh variabel X1, X2, X3, X4, dan X5. Selanjutnya sisanya (100%-80%=20%) dijelaskan oleh sebab-sebab atau variabel lain.
Nilai standar error of estimate adalah 220,139. Nilai ini jauh lebih kecil dibandingkan dengan standar deviasi variabel Y sebesar 466,715. Hal ini menunjukkan bahwa model regresi jauh lebih baik untuk memprediksi (predictor) variabel Y dibandingkan dengan rata-rata variabel Y itu sendiri.
ANOVA(b)
Model Sum of Squares df
Mean Square F Sig.
1 Regression 8541042,100 5 1708208.42
0 35.249 .000(a)
Residual 2132295,680 44 48461.265 Total 10673337,780 49 a Predictors: (Constant), X5, X4, X3, X2, X1b Dependent Variable: Y
melalui uji ANOVA atau uji F didapat nilai F hitung sebesar 35,249 dengan tingkat signifikansi 0,000. Hasil uji F ini manunjukkan bahwa nilai probabilitas (0,000) jauh lebih kecil dibandingkan dengan 0,05. Dengan demikina dapat disimpulkan bahwa variabel X mampu mempengaruhi variabel Y. dengan kata lain bahwa ,odel regresi yang dihasilkan dapat digunakan untuk memprediksi nilai variabel Y.
Coefficients(a)
Model Unstandardized Coefficients
Standardized Coefficients T Sig.
Collinearity Statistics
BStd. Error Beta
Tolerance VIF
1 (Constant) 196.390 329.080 .597 .554
X1 .143 .050 .443 2.875 .006 .191 5.227 X2 .391 .443 .122 .882 .383 .235 4.250 X3 .302 .190 .210 1.589 .119 .259 3.858 X4 .512 .221 .247 2.318 .025 .401 2.494 X5 -.023 .192 -.023 -.122 .904 .124 8.055a Dependent Variable: Y
melalui hasil perhitungan yang ditampilkan dalam tabel di atas dapat dibuat model regresi sebagai berikut:
Y = 196.390 + 0,143X1 + 0,391X2 + 0,302X3 + 0,512X4 - 0,230X5 nilai konstanta 196,390 menunjukkan bahwa jika variabel X1, X2, X3, X4, dan X5 tidak
ditingkatkan maka besarnya variabel Y hanya sebesar 196,390. Koefesien regresi pada variabel X1 adalah 0,143. Arti angka ini adalah bahwa setiap kali nilai
X1 dinaikkan sebesar 1 maka akan terjadi peningkatan dalam variabel Y sebesar 0,143. Koefesien regresi pada variabel X2 adalah 0,391. Arti angka ini adlah bahwa setiap kali nilai
X2 dinaikkan sebesar 1 maka akan terjadi peningkatan dalam variabel Y sebesar 0,391. Koefesien regresi pada variabel X3 adalah 0,302. Arti angka ini adlah bahwa setiap kali nilai
X2 dinaikkan sebesar 1 maka akan terjadi peningkatan dalam variabel Y sebesar 0,302.
Koefesien regresi pada variabel X4 adalah 0,512. Arti angka ini adlah bahwa setiap kali nilai X2 dinaikkan sebesar 1 maka akan terjadi peningkatan dalam variabel Y sebesar 0,512.
Koefesien regresi pada variabel X5 adalah 0,023. Arti angka ini adlah bahwa setiap kali nilai X2 dinaikkan sebesar 1 maka akan terjadi peningkatan dalam variabel Y sebesar 0,023.
Hasil uji t, yaitu uji digunkan untuk melihat pengaruh variabel independent (konstanta, X1, X2, X3, X4, dan X5) secara individual terhadap variabel dependen (Y) adalah sebagai berikut:
Pada tahap ini hanya akan diilustrasikan hasil uji t untuk variabel X1 terhadap variabel Y.Hipotesis yang digunakan Ho : Koefesien regresi tidak signifikanHi : Koefesien regresi signifikan
Dasar pengambilan keputusan-berdasarkan statistic hitung dan statistik tabelJika nilai statistik t hitung < nilai statistik t tabel, maka Ho diterimaJika nilai statistik t hitung > nilai statistik t tabel, maka Ho ditolak
Mencar statistik t hitungPada tabel output di atas terlihat bahwa t hitung adalah sebesar 2,875
Mencari statistik t tabelDengan tingkat signifikansi ( ) 5%; dengan df (derajat kebebasan) 48 (jumlah data dikurangi dua atau 50-2); kemudian pengujian dilakukan dua sisi, maka nilai t tabelnya adalah
??????????????????????????????/?????????????????????????????????????//????????????????????????
Coefficient Correlations(a)
Model X5 X4 X3 X2 X11 Correla
tionsX5 1.000 -.409 -.265 -.315 -.504X4 -.409 1.000 -.254 .191 .031X3 -.265 -.254 1.000 -.272 -.059X2 -.315 .191 -.272 1.000 -.306X1 -.504 .031 -.059 -.306 1.000
Covariances
X5 .037 -.017 -.010 -.027 -.005X4 -.017 .049 -.011 .019 .000X3 -.010 -.011 .036 -.023 -.001X2 -.027 .019 -.023 .196 -.007X1 -.005 .000 -.001 -.007 .002
a Dependent Variable: Y
Collinearity Diagnostics(a)
Model DimensionEigenvalue
Condition Index Variance Proportions
(Constant) X1 X2 X3 X4 X51 1 5.891 1.000 .00 .00 .00 .00 .00 .00 2 .074 8.935 .04 .22 .00 .00 .00 .00 3 .018 18.342 .07 .07 .03 .02 .60 .00 4 .011 22.956 .05 .15 .00 .79 .19 .00 5 .003 41.203 .79 .53 .37 .19 .00 .29 6 .003 44.992 .05 .02 .59 .00 .21 .71
a Dependent Variable: Y
Casewise Diagnostics(a)
Case Number Responden
Std. Residual Y
Predicted Value Residual
1 1 -.055 1666 1678.16 -12.1552 2 -2.054 1960 2412.14 -452.1403 3 -.573 2940 3066.25 -126.2474 4 1.914 2783 2361.76 421.2375 5 .085 1666 1647.30 18.6996 6 -.911 1960 2160.60 -200.5997 7 -.844 1960 2145.88 -185.8848 8 1.484 2940 2613.38 326.6179 9 -.784 1960 2132.57 -172.57110 10 -.197 1666 1709.44 -43.44111 11 .844 2548 2362.16 185.84212 12 .214 1666 1618.88 47.118
13 13 .341 1666 1590.85 75.14614 14 -1.328 1960 2252.32 -292.32115 15 -.593 1960 2090.53 -130.52816 16 -.238 1960 2012.34 -52.33917 17 -.619 1862 1998.32 -136.32418 18 .905 2548 2348.75 199.25319 19 .525 2450 2334.43 115.56920 20 .530 2450 2333.22 116.77521 21 1.271 2450 2170.23 279.76622 22 .003 1568 1567.41 .59223 23 -.218 1568 1615.92 -47.92424 24 .157 1568 1533.37 34.63025 25 1.089 2744 2504.28 239.71926 26 1.043 2744 2514.47 229.52827 27 1.533 2646 2308.54 337.46428 28 1.451 2646 2326.61 319.38629 29 .687 1470 1318.71 151.29130 30 -1.075 2058 2294.68 -236.68031 31 -.948 2058 2266.65 -208.65132 32 -.884 2058 2252.64 -194.63733 33 -2.301 1960 2466.62 -506.62034 34 -1.632 1960 2319.21 -359.20735 35 1.355 2940 2641.79 298.21436 36 -1.386 2058 2363.06 -305.06337 37 -1.139 2058 2308.69 -250.69438 38 .384 1666 1581.42 84.57839 39 .003 1568 1567.41 .59240 40 .662 2842 2696.21 145.78941 41 .864 2842 2651.77 190.22742 42 -.328 1862 1934.15 -72.14943 43 -.204 1862 1906.88 -44.88444 44 .207 1862 1816.33 45.67445 45 -.173 1862 1900.14 -38.14346 46 .027 1862 1856.09 5.91347 47 .251 1764 1708.80 55.20548 48 .321 1666 1595.44 70.56449 49 -.012 1274 1276.67 -2.66650 50 .347 1274 1197.52 76.477a Dependent Variable: Y
Pada bagian ini hanya akan diilustrasikan dengan menggunkana hasil perhitungan pada responden 1. Persamaan regresi telah diketahui sebgai berikut:
Y = Y = 196.390 + 0,143X1 + 0,391X2 + 0,302X3 + 0,512X4 - 0,230X5Selanjutnya nilai variabel X1, X2, X3, X4, dan X5 pada responden 1 masing-masing adalah
2323, 882, 1176, 983, dan 2254. Dengan memasukkan nilai variabel X tersbut ke dalam model regresi akan diperoleh nilai prediksi nilai variabel Y, yaitu sebgai berikut:Y = Y = 196.390 + 0,143(2323) + 0,391(882) + 0,302(1176)+ 0,512(983)- 0,230(2254)=
1.213,47
Pada tabel tersebut di atas nilai prediksinya adalah 1213,47 atau sama dengan perhitungan ini.
Selisih antara nilai Y sesungguhnya dengan nilai Y hasil prediksi (1666-1213,47) adalah
452.53
Residual yang distandarisasikan,yaitu perhitungan dari residual (452,53) dibagi standar error of
estimate (220.139) yaitu 2.05566. semakin kecil residual atau standardized residual akan
semakin baik bagi persamaan regresi dalam memprediksi data.
Residuals Statistics(a)
Minimum
Maximum Mean
Std. Deviation N
Predicted Value 1197.52 3066.25 2066.62 417.501 50Std. Predicted Value -2.082 2.394 .000 1.000 50Standard Error of Predicted Value 35.821 165.737 71.383 27.103 50
Adjusted Predicted Value 1178.21 3231.44 2068.59 424.937 50
Residual -506.620 421.237 .000 208.605 50Std. Residual -2.301 1.914 .000 .948 50Stud. Residual -2.535 2.025 -.003 1.023 50Deleted Residual -614.628 471.562 -1.972 245.259 50Stud. Deleted Residual -2.712 2.102 -.007 1.047 50
Mahal. Distance .317 26.794 4.900 4.861 50Cook's Distance .000 .228 .032 .059 50Centered Leverage Value .006 .547 .100 .099 50
a Dependent Variable: Y
bagian ini memuat ringkasan-ringkasan yang meliputi nilai minimum dan maksimum. Mean dan standar deviasi dan predicted value (nilai yang diprediksi) dan statistic residu.
Charts
-3 -2 -1 0 1 2
Regression Standardized Residual
0
2
4
6
8
10
Freq
uenc
y
Mean = 4.09E-16Std. Dev. = 0.948N = 50
Dependent Variable: Y
Histogram
0.0 0.2 0.4 0.6 0.8 1.0
Observed Cum Prob
0.0
0.2
0.4
0.6
0.8
1.0
Expe
cted
Cum
Pro
b
3334
3614
3730
31632
79 17
15 342
1623
43
10451
49
46524
44 48 13
5038
1920
4029
1141
1826
25
21 35
28827
4
Dependent Variable: Y
Normal P-P Plot of Regression Standardized Residual
Gambar di atas menunjukkan hubungan antara nilai yang diprediksi dengan studenttized delete
residual-nya. Hubungan antara kedua nilai ini dapat digunakan untuk mengamati apakah model
regresi layak dipakai untuk memprediksi (fit). Sebagai pedoman adalah jika datanya berpencar di
sekitar angka nol (yaitu 0 pada sumbu Y) dan tidak membentuk suatu pola atau trend garis
tertentu, maka model regresi layak digunakan untuk prediksi. Pada kasus ini terlihat bahwa
sebaran data masih dapat dikatakan terdapat di sekitar nol dan tidak tampak adanya suatu pola
tertentu pada sebaran data tersebut. Temuan ini mengindikasikan bahwa model regresi memnuhi
syarat untuk memprediksi nilai variabel Y.
-4 -2 0 2 4
Regression Standardized Predicted Value
-3
-2
-1
0
1
2
3
Reg
ress
ion
Stud
entiz
ed D
elet
ed (P
ress
) R
esid
ual
1
2
3
4
5
67
8
9
10
1112
14
151617
18
19
2021
2223
2527 28
29
30 31
32
33
34
35
37
3840
41
4243
4446
474849
50
Dependent Variable: Y
Scatterplot
Gambar ini menunjukkan hubungan antara variabel Y dengan nilai prediksinya. Secara teori,
model dikatakan memenuhi syarat apabila sebaran datanya terletak dari kiri bawah lurus ke arah
kanan atas. Pada kasus ini, terlihat bahwa sebaran datanya membentuk arah seperti disyaratkan
oleh teori yaitu dari kiri bawah lurus ke arah kanan atas. Dengan demikian dapat dikatakan
bahwa model regresi sudah layak digunakan.
1000 1500 2000 2500 3000
Y
-4
-2
0
2
4
Reg
ress
ion
Stan
dard
ized
Pre
dict
ed V
alue
1
2
3
4
5
678
910
11
12
16
17
18
19
2021
2223
25 2627
28
29
31
323334
35
36
38
40
41
43 4445 4647
4849
50
Dependent Variable: Y
Scatterplot
Gambar di atas menunjukkan hubungan antara variabel Y dengan X1. Ditunjukkan bahwa
sebaran data variabel Y dan X1 membentuk arah ke kanan atas. Artinya, jika sebaran data ini
ditarik garis lurus, maka akan didapat garis slope yang positif. Hasil visualisasi ini berarti sejalan
dengan nilai koefesien regresi variabel X1 yang nilainya positif, yaitu jika nilai variabel X1
mengalami peningkatan maka nilai variabel Y juga akan meningkat.
-1,000 0 1,000 2,000
X1
-600
-400
-200
0
200
400
600
Y
1
2
3
4
5
6
7
8
9
10
11
1213
14
1516
17
1920
21
2223
24
26
2728
30
3233
34
35
3637
40 41
4243
44
46
474950
Dependent Variable: Y
Partial Regression Plot
Gambar di atas menunjukkan hubungan antara variabel Y dengan X2. Ditunjukkan bahwa
sebaran data variabel Y dan X2 membentuk arah ke kanan atas. Artinya, jika sebaran data ini
ditarik garis lurus, maka akan didapat garis slope yang positif. Hasil visualisasi ini berarti sejalan
dengan nilai koefesien regresi variabel X2 yang nilainya positif, yaitu jika nilai variabel X2
mengalami peningkatan maka nilai variabel Y juga akan meningkat.
-200 -100 0 100 200
X2
-600
-400
-200
0
200
400
600
Y
1
2
3
4
5
67
8
9
10
1112 13
14
15
1617
18
1920
21
22 23
24
25 26
27
28
29
30
31 32
33
34
35
36
38
39
4041
42
434445
4647
49
50
Dependent Variable: Y
Partial Regression Plot
Gambar di atas menunjukkan hubungan antara variabel Y dengan X3. Ditunjukkan bahwa
sebaran data variabel Y dan X3 membentuk arah ke kanan atas. Artinya, jika sebaran data ini
ditarik garis lurus, maka akan didapat garis slope yang positif. Hasil visualisasi ini berarti sejalan
dengan nilai koefesien regresi variabel X3 yang nilainya positif, yaitu jika nilai variabel X3
mengalami peningkatan maka nilai variabel Y juga akan meningkat.
-400 -200 0 200 400 600
X3
-600
-400
-200
0
200
400
600
Y
1
2
3
4
5
67
8
9
10
11
1213
1415
1617
19
20
21
22
23
24
25
26
2728
29
3031
32
33
34
35
3637
39
4041
42
4445
4647
48
49
50
Dependent Variable: Y
Partial Regression Plot
Gambar di atas menunjukkan hubungan antara variabel Y dengan X4. Ditunjukkan bahwa
sebaran data variabel Y dan X4 membentuk arah ke kanan atas. Artinya, jika sebaran data ini
ditarik garis lurus, maka akan didapat garis slope yang positif. Hasil visualisasi ini berarti sejalan
dengan nilai koefesien regresi variabel X4 yang nilainya positif, yaitu jika nilai variabel X4
mengalami peningkatan maka nilai variabel Y juga akan meningkat.
-200 0 200 400
X4
-400
-200
0
200
400
Y 1
2
3
4
5
67
8
9
10
11
12
13
14
16
17
18
1921
2223
2425
26
27 28
3031
32
3334
35
3637
38
4041
42 43
4445
4647
50
Dependent Variable: Y
Partial Regression Plot
Gambar di atas menunjukkan hubungan antara variabel Y dengan X5. Ditunjukkan bahwa
sebaran data variabel Y dan X5 tidak membentuk arah ke kanan atas akan tetapi hanya
membentuk pola dari kiri atas ke kanan bawah. Artinya, jika sebaran data ini ditarik garis lurus,
maka akan didapat garis slope yang negatif. Hasil visualisasi ini berarti sejalan dengan nilai
koefesien regresi variabel X5 yang nilainya negatif, yaitu jika nilai variabel X5 mengalami
peningkatan maka nilai variabel Y juga akan mengalami penurunan dan sebaliknya.
-400 -200 0 200 400 600 800
X5
-600
-400
-200
0
200
400
600
Y 1
2
3
4
5
6 7
8
910
11
12
13
14
151617
18
19 20
21
2223
25
26
27
2829
3031
32
3334
35
3637
3840
41
4243
44
4546
4748 49
50
Dependent Variable: Y
Partial Regression Plot