Monday, October 25, 2021

Modul Aplikasi Komputer "Uji Regresi Berganda" Bidang Gizi dan Kesehatan

 

UJI REGRESI BERGANDA

 

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

 

https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEi2r6E6SLaZ2k3jZ3Jb5lXOnZT1RSteo5wMAfkbFjzkYaImpBkuZbTES_redm2iIq2hCgi4HbMpcu9FEPd0j4qQ-Q5zJSv_9clDneg_vZXcHxHwc6yOYChL_eBRY3upGYYmVwkWCXUTG2Y/s1600/tbl1.JPG

 

https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjAWRBmSq-D3LKxJF2Cwk6ZMrtXHtDkTjn3drwlB6APmNX2Nh-Bi8oCiH5IkKGZj4zg1LNGh9kwfNsJFUDDkdK_jVJ0VjL5tVnZoRIES82-rxetpQ7PurEB_1mgE3fXZVajMl-tdtax08M/s1600/tbl1.JPG

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

https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjq-0r4sUVlr2zKgZMuzAHUqFwXv69Ziyq2Vbvy3SmcX4FxAjuJL725_PN4PbHlIty_C6VR61zSbt4IMO8l1IC7T45u5Lv0u83oSUSDCk19Ttgc6hC0W1IZTYoc30Nn3UEdCnAfpGCNRZo/s1600/tbl1.JPG

 

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

https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjq-0r4sUVlr2zKgZMuzAHUqFwXv69Ziyq2Vbvy3SmcX4FxAjuJL725_PN4PbHlIty_C6VR61zSbt4IMO8l1IC7T45u5Lv0u83oSUSDCk19Ttgc6hC0W1IZTYoc30Nn3UEdCnAfpGCNRZo/s1600/tbl1.JPG

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

https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEiblnPELZuJ-wyPmVJzXtlg9Etvq1zQOqTwmUJxLB5Fjm5veLGNm064OYcWfP4K-Ye01cIDMT8DsPE6HVO2qO05lTt2a7XuKJwl08gWDAuMTOX-9gfnyZH0aMMcJWpD9ptjlWpuwWkGxGM/s1600/tbl1.JPG

 

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

 

https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEhBvny7a9ehTkOUSxm9qzZCCE6WYmpz0D-_rFbblVEWGYw1V0farI3_1lwQFDrO9BH9JC9lGJINUANLh6cyTcEyxkE5gPOnnJgmuWqjt-ZTEID3yr8ywVh_lwV4k4m9UsyZzzKAgJEb30A/s1600/tbl1.JPG

 

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

KATALOG MENU BALITA

  KATALOG A.       Nasi -Nasi merah -Nasi tim - Nasi tim beras merah - Bubur nasi B.       Ayam -Bola-bola ayam kuah -Siomay...