MODUL
Untuk memenuhi tugas
mata kuliah Aplikasi Komputer
yang dibina oleh Bapak
Hasan Aroni
Oleh
Kelompok 5
Hesty Mulyandarini P17111172022
Jihan Helmi M.P P17111173023
Safira Ridha Ulya P17111173024
Jihan Rohadatul A. P17111173025
Maghriza
Refina H.D. P17111173026
Natasya
Febriana P17111173027
POLITEKNIK
KESEHATAN MALANG
JURUSAN
GIZI
PRODI D-IV GIZI MALANG
Agustus 2019
KATA
PENGANTAR
Puji
dan syukur kami panjatkan kehadirat Tuhan Yang Maha Esa berkat rahmat dan
hidayah-Nya kami mampu menyelesaikan tugas kelompok modul aplikasi komputer ini
dengan baik dan tepat waktu. Modul ini berjudul “Ui Regresi Berganda ”.
Modul ini telah kami susun dengan maksimal dan mendapatkan
bantuan dari berbagai pihak sehingga dapat memperlancar pembuatan modul ini.
Untuk itu kami menyampaikan banyak terima kasih kepada semua pihak yang telah
membantu dalam pembuatan modul ini.
Kami
menyadari dalam penyusunan tugas ini
tentunya masih terdapat banyak kekurangan terutama materi yang disajikan. Oleh
karena itu, kritik dan saran yang bersifat membangun sangatlah diperlukan guna
terciptanya tujuan yang diharapkan. Semoga modul ini dapat bermanfaat bagi seluruh pembaca.
Malang,
21 Agustus 2019
Penyusun
DAFTAR ISI
KATA PENGANTAR ……………………………………………………………………………. i
DAFTAR ISI …………………………………………………………………………….….…….. ii
LATAR BELAKANG DAN TUJUAN …………………..……………………………………….. 1
UJI REGRESI LINIER SEDERHANA MENGGUNAKAN SPSS
…………………...…………. 2
LANGKAH LANGKAH ANALISIS UJI REGRESI LINIER SEDERHANA
……..…………… 4
UJI REGRESI BERGANDA …………………………………………………………………….. 14
DAFTAR PUSTAKA …………………………………………………………………………….. 16
Latar Belakang dan Tujuan
Latar Belakang
Analisis regresi
merupakan salah satu alat statistik yang banyak digunakan dalam berbagai
bidang. Analisis tersebut bertujuan untuk mengetahui hubungan antara variabel
dependen dan variabel independen. Ada beberapa macam tipe dari analisis
regresi. Tipe yang pertama adalah analisis regresi linier sederhana yang
berfungsi untuk mengetahui hubungan linier antara dua variabel, satu variabel
dependen dan satu variabel independen. Tipe kedua adalah analisis regresi
linier berganda yang merupakan model regresi linier dengan satu variabel dependen
dan lebih dari satu variabel independen. Pemodelan dengan regresi telah banyak
digunakan mulai dari bidang sosial, ekonomi, kimia, kesehatan, dan sebagainya.
Dengan model regresi yang dihasilkan, dapat diketahui variabel-variabel yang
secara signifikan mempengaruhi variabel yang lain. Untuk bisa memperoleh
variabel-variabel yang berpengaruh tersebut maka model yang diperoleh harus
dapat memenuhi asumsi-asumsi yang berlaku di dalam regresi.
Tujuan
- Membuat
estimasi rata-rata dan nilai variabel tergantung dengan didasarkan pada
nilai variabel bebas.
- Untuk
menguji hipotesis karakteristik dependensi.
- Meramalkan
nilai rata-rata variabel bebas yang didasari nilai variabel bebas diluar
jangkauan sampel
- Untuk
mengetahui apakah koefisien regresi tersebut signifikan atau tidak.
Uji Regresi Linier Sederhana Menggunakan SPSS
A. Definisi
Analisis
regresi linear sederhana adalah salah satu metode regresi yang dapat dipakai
sebagai alat inferensi statistik untuk menentukan pengaruh sebuah variabel bebas (independen)
terhadap variabel terikat (dependen).
B. Tujuan
Tujuan dari uji
regresi merupakan:
1.
Menghitung nilai estimasi rata-rata
dan nilai variabel terikat berdasarkan pada nilai variabel bebas.
2.
Menguji hipotesis karakteristik
dependensi
3.
Meramalkan nilai rata-rata variabel
bebas dengan didasarkan pada nilai variabel bebas diluar jangkaun sample.
C. Syarat
Pada analisis regresi sederhana
dengan menggunakan SPSS ada beberapa asumsi dan persyaratan yang
perlu diperiksa dan diuji, beberapa diantaranya adalah :
1.
Variabel bebas tidak berkorelasi
dengan disturbance term (Error). Nilai disturbance termsebesar 0
atau dengan simbol sebagai berikut: E (U / X) = 0,
2.
Jika variabel bebas lebih dari satu,
maka antara variabel bebas (explanatory) tidak ada hubungan linier yang
nyata,
3.
Model regresi dikatakan layak jika
angka signifikansi pada ANOVA sebesar < 0.05, Predictor yang digunakan sebagai
variabel bebas harus layak. Kelayakan ini diketahui jika angka Standard
Error of Estimate < Standard Deviation,
4.
Koefisien regresi harus signifikan.
Pengujian dilakukan dengan Uji T. Koefesien regresi signifikan jika T hitung > T table (nilai kritis),
5.
Model regresi dapat diterangkan
dengan menggunakan nilai koefisien determinasi (KD = R Square x 100%) semakin
besar nilai tersebut maka model semakin baik. Jika nilai mendekati 1 maka model
regresi semakin baik,
6.
Residual harus berdistribusi normal,
7.
Data
berskala interval atau rasio,
8.
Satu variabel merupakan variabel
bebas (variabel predictor) sedang variabel lainnya variabel terikat (variabel
response) .
D.
Output
Output SPSS akan menampilkan hasil
berupa empat buah tabel yaitu;
1.
Tabel variabel penelitian,
2.
Ringkasan model (model summary),
3.
Tabel Anova, dan
4.
Tabel Koefisien.
E.
Cara Membaca Output SPSS Hasil Uji
Regresi Linier
Cara membaca output SPSS hasil uji
regresi linier tersebut adalah sebagai berikut:
1.
Tabel pertama menunjukkan variabel
apa saja yang diproses, mana yang menjadi variabel bebas dan variabel terikat.
2.
Tabel kedua menampilkan nilai R yang
merupakan simbol dari nilai koefisien korelasi. Pada contoh diatas nilai
korelasi adalah 0,342. Nilai ini dapat diinterpretasikan bahwa hubungan kedua
variabel penelitian ada di kategori lemah. Melalui tabel ini juga diperoleh nilai
R Square atau koefisien determinasi (KD) yang menunjukkan seberapa bagus model
regresi yang dibentuk oleh interaksi variabel bebas dan variabel terikat.
Misalnya nilai KD yang diperoleh adalah 11,7% yang dapat ditafsirkan bahwa
variabel bebas X1 memiliki pengaruh kontribusi sebesar 11,7% terhadap variabel
Y dan 88,3% lainnya dipengaruhi oleh faktor-faktor lain diluar variabel X1.
3.
Tabel ketiga digunakan untuk
menentukan taraf signifikansi atau linieritas dari regresi. Kriterianya dapat
ditentukan berdasarkan uji F atau uji nilai Signifikansi (Sig.). Cara yang
paling mudah dengan uji Sig., dengan ketentuan, jika Nilai Sig. < 0,05 maka
model regresi adalah linier, dan berlaku sebaliknya. Misalnya tabel ketiga,
diperoleh nilai Sig. = 0,140 yang berarti > kriteria signifikan (0,05),
dengan demikian model persamaan regresi berdasarkan data penelitian adalah
tidak signifikan artinya, model regresi linier tidak memenuhi kriteria
linieritas.
4.
Tabel keempat menginformasikan model
persamaan regresi yang diperoleh dengan koefisien konstanta dan koefisien
variabel yang ada di kolom Unstandardized Coefficients B. Berdasarkan tabel ini
akan diperoleh model persamaan regresi.
Langkah Langkah
Analisis Uji Regresi Linier Sederhana
Adapun
langkah-langkah yang perlu dilakukan untuk melakukan analisis dan uji regresi
linier sederhana adalah sebagai berikut :
1.
Menentukan
tujuan dari Analisis Regresi Linear Sederhana
2.
Mengidentifikasi
variabel predictor dan variabel response
3.
Melakukan
pengumpulan data dalam bentuk tabel
4.
Menghitung
X², XY dan total dari masing-masingnya
5.
Menghitung
a dan b menggunakan rumus yang telah ditentukan
6.
Membuat
model Persamaan Garis Regresi
7.
Melakukan
prediksi terhadap variabel predictor atau response
8.
Uji
signifikansi menggunakan Uji-t dan menentukan Taraf Signifikan
Untuk memberikan pemahaman yang
lebih jelas mengenai regresi linier sederhana, dalam kegiatan belajar ini
diberikan suatu contoh kasus, yaitu :
Suatu data penelitian tentang
berat badan 10 mahasiswa yang diprediksi dipengaruhi oleh konsumsi jumlah
kalori/hari. Bagaimana menganalisis kasus ini ? Untuk menganalisis kasus ini,
hal-hal dilakukan adalah :
1. Tujuan : apakah konsumsi
jumlah kalori/hari mempengaruhi berat badan mahasiswa.
2. Variabel : X (variable
bebas/predictor) = jumlah kalori/hari Y (variable tak bebas/response) = berat
badan.
Data:
|
No. |
Nama Mahasiswa |
Kalori/hari (X) |
Berat Badan (Y) |
|
1. |
Dian |
530 |
89 |
|
2. |
Echa |
300 |
48 |
|
3. |
Winda |
358 |
56 |
|
4. |
Kelo |
510 |
72 |
|
5. |
Intan |
302 |
54 |
|
6. |
Putu |
300 |
42 |
|
7. |
Aditya |
387 |
60 |
|
8. |
Anita |
527 |
85 |
|
9. |
Sefia |
415 |
63 |
|
10. |
Rosa |
512 |
74 |
Tabel bantu yang
dibuat untuk memudahkan dalam melakukan perhitungan :
|
|
X |
X2 |
Y |
Y2 |
XY |
|
1. |
530 |
280900 |
89 |
7921 |
47170 |
|
2. |
300 |
90000 |
48 |
2304 |
14400 |
|
3. |
358 |
128164 |
56 |
3136 |
20048 |
|
4. |
510 |
260100 |
72 |
5184 |
36720 |
|
5. |
302 |
91204 |
54 |
2916 |
16308 |
|
6. |
300 |
90000 |
42 |
1764 |
12600 |
|
7. |
387 |
149769 |
60 |
3600 |
23220 |
|
8. |
527 |
277729 |
85 |
7225 |
44795 |
|
9. |
415 |
172225 |
63 |
3969 |
26145 |
|
10. |
512 |
262144 |
74 |
5476 |
37888 |
|
S |
4141 |
1802235 |
643 |
43495 |
279294 |
Koefisien regresi b
ditentukan dengan menggunakan rumus yang telah diberikan, yaitu :
Konstanta a ditentukan
ditentukan menggunakan rumus :
stanta a juga dapat
dicari dari nilai rata-rata X dan Y, yaitu:
𝑎
= 𝑌̅ − 𝑏𝑋̅ = 64,3 − 0,149(414,1) ≅ 2,608
Sehingga model
persamaan regresi linier sederhananya adala :
𝑌
= 2,608 + 0,149 𝑋
Penggambaran data dan
garis regresi yang dihasilkan disajikan pada Gambar dibawah ini
1. Uji Regresi Linier Berganda
Data yang
digunakan biasanya berskala interval atau rasio. Persamaan regresi linear
berganda sebagai berikut:
Y’ = a + b1X1+
b2X2+…..+ bnXn
Keterangan:
Y’ = Variabel
dependen (nilai yang diprediksikan)
X1 dan
X2 = Variabel
independen
a = Konstanta
(nilai Y’ apabila X1, X2…..Xn = 0)
b = Koefisien
regresi (nilai peningkatan ataupun penurunan)
Contoh
kasus:
Kita
mengambil contoh kasus pada uji normalitas, yaitu sebagai berikut: Seorang
mahasiswa bernama Bambang melakukan penelitian tentang faktor-faktor yang
mempengaruhi harga saham pada perusahaan di BEJ. Bambang dalam penelitiannya
ingin mengetahui hubungan antara rasio keuangan PER dan ROI terhadap harga
saham. Dengan ini Bambang menganalisis dengan bantuan program SPSS dengan alat
analisis regresi linear berganda. Dari uraian di atas maka didapat variabel
dependen (Y) adalah harga saham, sedangkan variabel independen (X1 dan
X2) adalah PER dan ROI.
Data-data
yang di dapat berupa data rasio dan ditabulasikan sebagai
berikut:
Tabel.
Tabulasi Data (Data Fiktif)
|
Tahun |
Harga Saham (Rp) |
PER (%) |
ROI (%) |
|
1990 |
8300 |
4.90 |
6.47 |
|
1991 |
7500 |
3.28 |
3.14 |
|
1992 |
8950 |
5.05 |
5.00 |
|
1993 |
8250 |
4.00 |
4.75 |
|
1994 |
9000 |
5.97 |
6.23 |
|
1995 |
8750 |
4.24 |
6.03 |
|
1996 |
10000 |
8.00 |
8.75 |
|
1997 |
8200 |
7.45 |
7.72 |
|
1998 |
8300 |
7.47 |
8.00 |
|
1999 |
10900 |
12.68 |
10.40 |
|
2000 |
12800 |
14.45 |
12.42 |
|
2001 |
9450 |
10.50 |
8.62 |
|
2002 |
13000 |
17.24 |
12.07 |
|
2003 |
8000 |
15.56 |
5.83 |
|
2004 |
6500 |
10.85 |
5.20 |
|
2005 |
9000 |
16.56 |
8.53 |
|
2006 |
7600 |
13.24 |
7.37 |
|
2007 |
10200 |
16.98 |
9.38 |
Langkah-langkah
pada program SPSS
·
Masuk program SPSS
·
Klik variable view pada SPSS data
editor
·
Pada kolom Name ketik y, kolom Name
pada baris kedua ketik x1, kemudian untuk baris kedua ketik x2.
·
Pada kolom Label, untuk kolom pada baris
pertama ketik Harga Saham, untuk kolom pada baris kedua ketik PER, kemudian
pada baris ketiga ketik ROI.
·
Untuk kolom-kolom lainnya boleh dihiraukan
(isian default)
·
Buka data view pada SPSS data editor, maka
didapat kolom variabel y, x1, dan x2.
·
Ketikkan data sesuai dengan
variabelnya
·
Klik Analyze - Regression
– Linear
·
Klik variabel Harga Saham dan
masukkan ke kotak Dependent, kemudian klik variabel PER dan ROI kemudian
masukkan ke kotak Independent.
·
Klik Statistics, klik Casewise
diagnostics, klik All cases. Klik Continue
·
Klik OK, maka hasil output yang
didapat pada kolom Coefficients dan Casewise diagnostics adalah sebagai
berikut:
Tabel.
Hasil Analisis Regresi Linear Berganda
Persamaan
regresinya sebagai berikut:
Y’ = a + b1X1+
b2X2
Y’
= 4662,491 + (-74,482)X1 + 692,107X2
Y’
= 4662,491 - 74,482X1 + 692,107X2
Keterangan:
Y’ =
Harga saham yang diprediksi (Rp)
a =
konstanta
b1,b2 =
koefisien regresi
X1 =
PER (%)
X2 =
ROI (%)
Persamaan regresi di atas dapat
dijelaskan sebagai berikut:
-
Konstanta sebesar 4662,491; artinya jika PER (X1) dan ROI (X2)
nilainya adalah 0, maka harga saham (Y’) nilainya adalah Rp.4662,491.
- Koefisien
regresi variabel PER (X1) sebesar -74,482; artinya jika variabel
independen lain nilainya tetap dan PER mengalami kenaikan 1%, maka harga saham
(Y’) akan mengalami penurunan sebesar Rp.74,482. Koefisien bernilai negatif
artinya terjadi hubungan negatif antara PER dengan harga saham, semakin naik
PER maka semakin turun harga saham.
- Koefisien
regresi variabel ROI (X2) sebesar 692,107; artinya jika variabel
independen lain nilainya tetap dan ROI mengalami kenaikan 1%, maka harga saham
(Y’) akan mengalami peningkatan sebesar Rp.692,107. Koefisien bernilai positif
artinya terjadi hubungan positif antara ROI dengan harga saham, semakin naik
ROI maka semakin meningkat harga saham.
Nilai
harga saham yang diprediksi (Y’) dapat dilihat pada tabel Casewise Diagnostics
(kolom Predicted Value). Sedangkan Residual (unstandardized residual)
adalah selisih antara harga saham dengan Predicted Value, dan Std. Residual (standardized
residual) adalah nilai residual yang telah terstandarisasi (nilai semakin
mendekati 0 maka model regresi semakin baik dalam melakukan prediksi,
sebaliknya semakin menjauhi 0 atau lebih dari 1 atau -1 maka semakin tidak baik
model regresi dalam melakukan prediksi).
A. Analisis Korelasi Ganda (R)
Analisis
ini digunakan untuk mengetahui hubungan antara dua atau lebih variabel
independen (X1, X2,…Xn) terhadap variabel
dependen (Y) secara serentak. Koefisien ini menunjukkan seberapa besar hubungan
yang terjadi antara variabel independen (X1, X2,……Xn)
secara serentak terhadap variabel dependen (Y). nilai R berkisar antara 0 sampai
1, nilai semakin mendekati 1 berarti hubungan yang terjadi semakin kuat,
sebaliknya nilai semakin mendekati 0 maka hubungan yang terjadi semakin lemah.
Tabel.
Hasil analisis korelasi ganda
Berdasarkan
tabel di atas diperoleh angka R sebesar 0,879. Hal ini menunjukkan bahwa
terjadi hubungan yang sangat kuat antara PER dan ROI terhadap harga saham.
B. Analisis
Determinasi (R2)
Analisis
determinasi dalam regresi linear berganda digunakan untuk mengetahui prosentase
sumbangan pengaruh variabel independen (X1, X2,……Xn)
secara serentak terhadap variabel dependen (Y). Koefisien ini menunjukkan
seberapa besar prosentase variasi variabel independen yang digunakan dalam
model mampu menjelaskan variasi variabel dependen. R2sama dengan 0,
maka tidak ada sedikitpun prosentase sumbangan pengaruh yang diberikan variabel
independen terhadap variabel dependen, atau variasi variabel independen yang
digunakan dalam model tidak menjelaskan sedikitpun variasi variabel dependen.
Sebaliknya R2 sama dengan 1, maka prosentase sumbangan pengaruh
yang diberikan variabel independen terhadap variabel dependen adalah sempurna,
atau variasi variabel independen yang digunakan dalam model menjelaskan 100%
variasi variabel dependen.
Dari hasil analisis regresi, lihat
pada output moddel summary dan disajikan sebagai berikut:
Tabel.
Hasil analisis determinasi
Berdasarkan
tabel di atas diperoleh angka R2 (R Square) sebesar
0,772 atau (77,2%). Hal ini menunjukkan bahwa prosentase sumbangan pengaruh
variabel independen (PER dan ROI) terhadap variabel dependen (harga saham)
sebesar 77,2%. Atau variasi variabel independen yang digunakan dalam model (PER
dan ROI) mampu menjelaskan sebesar 77,2% variasi variabel dependen (harga
saham). Sedangkan sisanya sebesar 22,8% dipengaruhi atau dijelaskan oleh
variabel lain yang tidak dimasukkan dalam model penelitian ini.
Adjusted R
Square adalah nilai R Square yang telah disesuaikan, nilai ini selalu lebih
kecil dari R Square dan angka ini bisa memiliki harga negatif. Menurut Santoso
(2001) bahwa untuk regresi dengan lebih dari dua variabel bebas digunakan
Adjusted R2 sebagai koefisien determinasi.
Standard
Error of the Estimate adalah suatu ukuran banyaknya kesalahan model regresi
dalam memprediksikan nilai Y. Dari hasil regresi di dapat nilai 870,80 atau
Rp.870,80 (satuan harga saham), hal ini berarti banyaknya kesalahan dalam
prediksi harga saham sebesar Rp.870,80. Sebagai pedoman jika Standard error of
the estimate kurang dari standar deviasi Y, maka model regresi semakin baik
dalam memprediksi nilai Y.
C. Uji
Koefisien Regresi Secara Bersama-sama (Uji F)
Uji ini
digunakan untuk mengetahui apakah variabel independen (X1,X2….Xn)
secara bersama-sama berpengaruh secara signifikan terhadap variabel dependen (Y).
Atau untuk mengetahui apakah model regresi dapat digunakan untuk memprediksi
variabel dependen atau tidak. Signifikan berarti hubungan yang terjadi dapat
berlaku untuk populasi (dapat digeneralisasikan), misalnya dari kasus di atas
populasinya adalah 50 perusahaan dan sampel yang diambil dari kasus di atas 18
perusahaan, jadi apakah pengaruh yang terjadi atau kesimpulan yang didapat
berlaku untuk populasi yang berjumlah 50 perusahaan.
Dari hasil
output analisis regresi dapat diketahui nilai F seperti pada tabel 2 berikut
ini.
Tabel. Hasil Uji F
Tahap-tahap
untuk melakukan uji F adalah sebagai berikut:
1. Merumuskan Hipotesis
Ho : Tidak ada pengaruh secara
signifikan antara PER dan ROI secara bersama-sama terhadap harga saham.
Ha : Ada pengaruh secara
signifikan antara PER dan ROI secara bersama-sama terhadap harga saham.
2. Menentukan tingkat signifikansi
Tingkat signifikansi
menggunakan = 5% (signifikansi 5% atau 0,05 adalah ukuran standar
yang sering digunakan dalam penelitian)
3. Menentukan F hitung
Berdasarkan
tabel diperoleh F hitung sebesar 25,465
4. Menentukan F tabel
Dengan menggunakan tingkat keyakinan
95%, = 5%, df 1 (jumlah variabel–1) = 2, dan df 2
(n-k-1) atau 18-2-1 = 15 (n adalah jumlah kasus dan k adalah jumlah
variabel independen), hasil diperoleh untuk F tabel sebesar 3,683 (Lihat pada
lampiran) atau dapat dicari di Ms Excel dengan cara pada cell kosong ketik
=finv(0.05,2,15) lalu enter.
5. Kriteria pengujian
- Ho diterima bila F hitung
< F tabel
- Ho ditolak bila F hitung > F
tabel
6. Membandingkan F hitung dengan F tabel.
Nilai F hitung > F tabel (25,465
> 3,683), maka Ho ditolak.
7. Kesimpulan
Karena F hitung > F tabel (25,465
> 3,683), maka Ho ditolak, artinya ada pengaruh secara signifikan antara price
earning ratio (PER) dan return on investmen (ROI)
secara bersama-sama terhadap terhadap harga saham. Jadi dari kasus ini dapat
disimpulkan bahwa PER dan ROI secara bersama-sama berpengaruh terhadap harga
saham pada perusahaan di BEJ.
D. Uji
Koefisien Regresi Secara Parsial (Uji t)
Uji ini
digunakan untuk mengetahui apakah dalam model regresi variabel independen (X1,
X2,…..Xn) secara parsial berpengaruh signifikan terhadap
variabel dependen (Y).
Dari hasil
analisis regresi output dapat disajikan sebagai berikut:
Tabel.
Uji t
Langkah-langkah pengujian sebagai
berikut:
Pengujian koefisien regresi variabel
PER
1.
Menentukan Hipotesis
Ho : Secara parsial tidak ada pengaruh signifikan
antara PER dengan harga saham.
Ha : Secara parsial ada pengaruh signifikan antara PER
dengan harga saham
2.
Menentukan tingkat signifikansi
Tingkat signifikansi menggunakan = 5%
3.
Menentukan t hitung
Berdasarkan tabel diperoleh t hitung sebesar
-1,259
4.
Menentukan t tabel
Tabel distribusi t dicari pada = 5% : 2 = 2,5%
(uji 2 sisi) dengan derajat kebebasan (df) n-k-1
atau 18-2-1 = 15 (n adalah jumlah kasus dan k adalah
jumlah variabel independen). Dengan pengujian 2 sisi (signifikansi =
0,025) hasil diperoleh untuk t tabel sebesar 2,131 (Lihat pada lampiran) atau
dapat dicari di Ms Excel dengan cara pada cell kosong ketik =tinv(0.05,15) lalu
enter.
5.
Kriteria Pengujian
Ho diterima jika -t tabel < t hitung < t
tabel
Ho ditolak jika -t hitung < -t tabel atau t hitung > t
tabel
6.
Membandingkan thitung dengan t tabel
Nilai -t hitung > -t tabel (-1,259 > -2,131) maka Ho
diterima
7.
Kesimpulan
Oleh
karena nilai -t hitung > -t tabel (-1,259 > -2,131) maka Ho diterima,
artinya secara parsial tidak ada pengaruh signifikan antara PER dengan harga
saham. Jadi dari kasus ini dapat disimpulkan bahwa secara parsial PER tidak
berpengaruh terhadap harga saham pada perusahaan di BEJ.
Pengujian koefisien regresi variabel
ROI
1.
Menentukan Hipotesis
Ho : Secara parsial tidak ada pengaruh signifikan antara
ROI dengan harga saham
Ha : Secara parsial ada pengaruh
signifikan antara ROI dengan harga saham
2.
Menentukan tingkat signifikansi
Tingkat signifikansi menggunakan = 5%.
3.
Menentukan t hitung
Berdasarkan tabel diperoleh t hitung sebesar
5,964
4.
Menentukan t tabel
Tabel distribusi t dicari pada = 5% : 2 = 2,5%
(uji 2 sisi) dengan derajat kebebasan (df) n-k-1
atau 18-2-1 = 15 (n adalah jumlah kasus dan k adalah
jumlah variabel independen). Dengan pengujian 2 sisi (signifikansi =
0,025) hasil diperoleh untuk t tabel sebesar 2,131.
5.
Kriteria Pengujian
Ho diterima jika -t tabel t hitung t
tabel
Ho ditolak jika -t hitung < -t tabel atau t hitung > t
tabel
6.
Membandingkan thitung dengan t tabel
Nilai t hitung > t tabel (5,964 > 2,131) maka Ho
ditolak
7.
Kesimpulan
Oleh karena nilai t hitung > t tabel (5,964 > 2,131)
maka Ho ditolak, artinya secara parsial ada pengaruh signifikan antara ROI
dengan harga saham. Jadi dari kasus ini dapat disimpulkan bahwa secara parsial
ROI berpengaruh positif terhadap harga saham pada perusahaan di BEJ.
Uji
Regresi Berganda
Regresi berganda
adalah model regresi atau prediksi yang melibatkan lebih dari satu variabel
bebas atau prediktor. Istilah regresi berganda dapat disebut juga dengan
istilah multiple regression. Kata multiple berarti jamak atau lebih dari satu
variabel.
Regresi berganda sebagai salah satu
jenis analisis statistik, banyak sekali macamnya, tergantung pada skala data
per variabel. Berikut saya jelaskan satu persatu:
1.
Regresi Linear Berganda
Regresi
Linear Berganda adalah model regresi berganda jika
variabel terikatnya berskala data interval atau rasio (kuantitatif atau
numerik). Sedangkan variabel bebas pada umumnya juga berskala data interval
atau rasio. Namun ada juga regresi
linear dimana variabel bebas menggunakan
skala data nominal atau ordinal, yang lebih lazim disebut dengan istilah data
dummy. Maka regresi linear yang seperti itu disebut dengan istilah regresi
linear dengan variabel dummy.
2. Regresi
Logistik Berganda
Regresi Logistik
berganda adalah model regresi berganda jika variabel terikatnya adalah data
dikotomi. Dikotomi artinya dalam bentuk kategorik dengan jumlah kategori
sebanyak 2 kategori. Sedangkan variabel bebas jenis regresi berganda ini pada
umumnya adalah juga variabel dikotomi. Namun tidak masalah jika variabel dalam
skala data interval, rasio, ordinal maupun multinomial.
3. Regresi
Ordinal berganda
Regresi
berganda jenis ini adalah analisis regresi
dimana variabel terikat adalah berskala data ordinal. Sedangkan variabel bebas
pada umumnya juga ordinal, namun tidak masalah jika variabel dengan skala data
yang lain, baik kuantitatif maupun kualitatif. Keunikan regresi ini adalah jika
variabel bebas adalah data kategorik atau kualitatif, maka disebut sebagai
faktor. Sedangkan jika data numerik atau kuantitatif, maka disebut sebagai
covariates.
Ada
5 metode perhitungan jenis regresi ordinal yang dapat anda pelajari pada
artikel kami yang berjudul: Penjelasan Regresi Ordinal.
Contoh regresi berganda jenis ini adalah: pengaruh tingkat penghasilan dan usia
terhadap tingkat pengetahuan terhadap IT. Dimana tingkat penghasilan sebagai
faktor dengan kategori: rendah, menengah dan tinggi. Usia sebagai covariates
dengan skala data numerik. Dan tingkat pengetahuan terhadap IT sebagai variabel
terikat berskala data ordinal dengan kategori: baik, cukup dan kurang.
4. Regresi
Multinomial Berganda
Regresi
multinomial berganda adalah jenis regresi dimana variabel terikat adalah data
nominal dengan jumlah kategori lebih dari 2 (dua) dan variabel bebas ada lebih
dari satu variabel.
Jenis
regresi ini hampir sama dengan regresi logistik berganda, namun bedanya adalah
variabel terikat kategorinya lebih dari dua, sedangkan regresi logistik
berganda variabel terikatnya mempunyai kategori hanya dua (dikotomi).
Regresi
ini juga mirip dengan regresi ordinal, hanya saja bedanya skala data pada
regresi ini tidak bertingkat (bukan ordinal) atau dengan kata lain tidak ada
yang lebih baik atau lebih buruk.
Dari
jenis-jenis di atas, sebenarnya masih ada jenis lain yang merupakan
pengembangan dari jenis-jenis di atas, yaitu dengan adanya kompleksitas berupa
data time series atau runtut waktu, atau data panel. Seperti yang terjadi pada
regresi data panel ataupun regresi cochrane orcutt.
Kalau
misalnya regresi linear data panel, jika ada lebih dari satu variabel bebas,
maka bisa disebut dengan istilah regresi linear data panel berganda. Namun
kebanyakan orang atau peneliti, cukup menggunakan istilah yang umum digunakan,
yaitu cukup dengan menyebut sebagai regresi data panel saja.
5.
Aplikasi
Perhitungan Regresi Berganda
Ada
banyak aplikasi atau software yang dapat anda gunakan untuk menghitung atau
melakukan analisis regresi pada berbagai jenis regresi diatas. Seperti halnya SPSS,
dapat melakukan semua analisis diatas, kecuali regresi data panel hanya bisa
melakukan dengan metode maximum likelihood saja.
Daftar
Pustaka
Hidayat,
Anwar. 2017. Regresi Linier Sederhana
dengan SPSS. Online.
https://www.statistikian.com/2012/08/regresi-linear-sederhana-dengan-spss.html/amp,
diakses pada 30 Juli 2019
Anonim.
2017. Uji Analisis Regresi Sederhana. Online.
https://www.spssindonesia.com/2017/03/uji-analisis-regresi-linear-sederhana.html, diakses
pada 30 Juli 2019
Hidayat,
Anwar. 2017. Penjelasan Berbagai Jenis Regresi Berganda. Online. https://www.statistikian.com/2017/06/berbagai-jenis-regresi-berganda.html
diakses pada 31 Juli
2019
Anonim.
Nd. Analisis Regresi. Online. https://www.coursehero.com/file/12201261/fix/
diakses pada 4 Agustus 2019
Khrisna.
2013. Analisis Regresi, Pengertian konsep dan teknik analisis regresi.
Online. http://datariset.com/analisis/detail/olah-data-jogja-analisis-regresi
diakses pada 4
Agustus 2019
No comments:
Post a Comment