Analisis Regresi Berganda Menggunakan SPSS

Halo semuanya, kali ini saya akan berbagi mengenai bagaimana langkah-langkah untuk melakukan regresi linier berganda berikut dengan analisisnya. Program yang digunakan yaitu SPSS, kebetulan saya menggunakan SPSS versi 23.

Hal pertama yang harus disiapkan yaitu file yang berisi semua perhitungan variable kalian, misal dalam penelitian saya ada 3 variabel dengan masing-masing indikator : (X₁) Return on Asset, (X₂) Debt to Asset Ratio dan (Y) Interest Coverage Ratio. Yang akan kita masukan kedalam spss adalah semua hasil perhitungan dari setiap indikator variable kita.

Misalnya seperti gambar di bawah ini yang merupakan hasil setiap perhitungan variable.

Bila perhitungan semua indicator variable kita sudah disiapkan, maka kita akan bisa melakukan analisis regresi linier berganda dengan SPSS. Langkah2nya:

Silahkan buka program SPSS, kemudian buat file baru isi dengan nama missal perhitungan regresi berganda. 

Masuk ke variable view, dan isi sesuai dengan nama variable kalian masing-masing. Jangan lupa jika skala indicator variable kalian rasio maka di pilihan measure pilih “Scale”, jika indikatornya berupa nominal maka pilih “Nominal”. Untuk yang ordinal saya sarankan jangan gunakan SPSS, tapi gunakan program lain seperti SEM-PLS supaya hasil analisis lebih akurat. 

 

Untuk pengaturan lainnya silahkan isi sesuai kebutuhan saja.

Selanjutnya klik Data View, lalu copy semua hasil perhitungan indicator variable ke dalam spss, pastikan semua file tercopy.

 

Jika sudah, sebelum kita melakukan analisis regeresi linier berganda kita harus melakukan uji asumsi klasik terlebih dahulu. Pertama kita lakukan uji normalitas, Menurut Husein Umar (2011:182) mendefinisikan uji normalitas sebagai berikut: “Uji normalitas adalah untuk mengetahui apakah variabel dependen, independen atau keduanya berdistribusi normal, mendekati normal atau tidak”. Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel terikat dan variabel bebas keduanya mempunyai distribusi normal ataukah tidak.

Kali ini kita akan menggunakan uji normalitas dengan uji Kolmogorov-Smirnov. Sebelum uji normalitas, kita buat variable Unstandardized Residual, caranya: Klik menu Analyze, pilih Regression, pilih Linier, kemudian masukan indicator variable kita baik yang dependen ataupun yang independen.

Kemudian klik di bagian Save, dan ceklis Unstandardized di bagian Residuals. Klik Continue, langsung Klik OK. Maka hasilnya akan muncul variable baru yaitu RES_1.

Untuk sementara abaikan output SPSS yang muncul, lalu selanjutnya lakukan uji Kolmogorov-Smirnov  dengan klk Menu Analyze, pilih Nonprametric Tests, pilih Legacy_Dialogs, klik bagian 1-Sample K_S

Maka akan muncul kotak dialog baru, kemudian masukan variable Unstadardized Residuals ke dalam Test Variable List seperti pada gambar di bawah ini, Langsung Klik OK.

Maka akan muncul output seperti ini. Perhatikan apabila nilai Asymp. Sig (2-tailed) di atas 0,05 maka data dikatakan berdistribusi normal, Singgih Santoso (2002:393).

Jika kalian mengalami kasus seperti saya dimana data tidak berdistribusi normal (terlihat dari nilai Asym Sig yang lebih kecil dari 0,05) maka kita harus menjadikan ata tersebut menjadi normal. Salah satu penyebab kenapa data tidak berdistribusi normal adalah karena adanya banyak ketimpangan nilai di indicator variable kita, banyaknya nilai yang terlalu tinggi, atau terlalu rendah yang membuat data menjadi extreme (tidak normal). Untuk normalisasi bisa menggunakan beberapa cara salah satunya yaitu metode eliminasi data, kita akan hapus data-data yang tidak berdistribusi normal.

Untuk mengetahui apakah data kita normal atau tidak yaitu:

a.    Klik menu Analyze, pilih Descriptives Statistics, lalu klik Descriptives, masukan semua variable kita baik yang dependen maupun yang independen. Jangan lupa ceklis di bagian Save Standardized Values as Variables, tekan OK.

b.    Jika Sudah maka akan muncul nilai Zsetiap indicator variable:

Lakukan eliminasi (penghapusan data yang lebih besar dari 1,96 (untuk nilai yang bersifat positif) atau lebih besar dari -1,96 (untuk nilai yang bersifat negative).

Jika sudah dihapus ulangi langkah awal  poin a dan jika muncul variable baru lagi lakukan eliminasi kembali sampai nilai variable kita tidak lebih besar dari 1, 96 ataupun -1,96.

Jika sudah lakukan eliminasi data kita coba lakukan kembali uji Kolmogorov-Smirnov seperti di langkah ke - 6. Kita lihat setelah saya melakukan eliminasi jumlah data yang tersisa yaitu sebanyak 35 data, dan saya lakukan kembali uji Kolmogorov-Smirnov ternyata hasilnya seperti di bawah ini: 

Terlihat nilai Asymp Sig. sebesar 0,200 yang berari lebih besar dari 0,05, maka data dikatakan berdistribusi normal.
Selanjutnya kita akan melakukan uji asumsi klasik yang lainnya seperti: Pengujian Multikolinearitas, Pengujian Heterokedastisitas, Pengujian Autokorelasi. Langkah-langkahnya (Langkah ini sudah termasuk dalam cara untuk melakukan analisis regresi linier berganda) sebagai berikut:

a.  Klik Menu Analyze, pilih Regression, klik Linier, pastikan variable dependent dan independent terisi dengan benar, lalu klik bagian statistics dan ceklis seperti di bawah ini:

 

 

b. Klik Continue, Lalu I bagian Plots  masukan SRESID di kolom Y dan ZPRED di Kolom X. Lihat Gambar di bawah ini:

Lalu klik Continue, kemudian klik OK. Setelah itu lihat output SPSS nya kita akan coba analisis satu-persatu.

Pengujian Multikolinearitas

Lihat nilai VIF, apabila nilai VIF lebih kecil dari 10 maka tidak terjadi Multikolinearitas. Berdasarkan output di atas maka dapat disimpulkan tidak terdapat multikolinieritas diantara tingkat variabel Return on Asset  dan Debt to Asset Ratio.

Pengujian Heterokedastisitas

Pada Gambar di atas terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedasitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi Intrest Coverage Ratio berdasarkan variabel independen Return on Asset dan Debt to Asset Ratio.

Pengujian Autokorelasi

Berdasarkan hasil pengolahan diperoleh nilai statistik Durbin-Watson (DW) = 1.731, sementara dari Tabel d untuk jumlah variabel bebas = 2 dan jumlah pengamatan n = 35 diperoleh batas bawah nilai Tabel (dL) = 1.343 dan batas atas (dU) = 1.584. Karena nilai Durbin-Watson model regresi (1.731) lebih besar dari batas atas (dU) 1.584 dan kurang dari 4 – 1.584 (4 – dU), maka dapat disimpulkan bahwa kita tidak bisa menolak H0 yang menyatakan bahwa tidak ada autokorelasi.

Karena keempat asumsi regresi sudah terpenuhi, maka dapat disimpulkan bahwa hasil estimasi model regresi sudah memenuhi syarat BLUE (Best Linear Unbias Estimation) sehingga dikatakan kesimpulan yang diperoleh dari model regresi sudah menggambarkan keadaan yang sebenarnya.

HASIL ANALISIS REGRESI LINIER BERGANDA

Hasil koefisien regresi yang diperoleh dari tabel di atas dapat ditulis dalam bentuk persamaan yang menggambarkan hubungan data X dan Y yang digunakan adalah sebagai berikut:

Y = 0,036 + 13,.022 X1 – 0,398 X2

HASIL ANALISIS KORELASI

        

Hubungan antara nilai Return on Assets dengan Interest Coverage Ratio ketika Debt to Asset Ratio tidak berubah adalah sebesar 0,773, artinya tingkat Return on Assets memiliki hubungan kuat dengan Interest Coverage Ratio. Hal ini terlihat dari nilai korelasi berada diantara 0,60 hingga 0,799 yang tergolong dalam kategori kuat.

Hubungan antara nilai Debt to Asset Ratio dengan Interest Coverage Ratio ketika Return on Assets tidak berubah adalah sebesar -0,340, artinya tingkat Debt to Asset Ratio memiliki hubungan rendah dengan Interest Coverage Ratio. Hal ini terlihat dari nilai korelasi berada diantara 0,60 hingga 0,799 yang tergolong dalam kategori kuat.

Pedoman untuk memberikan Interpretasi

Koefisien Korelasi

Interval Koefisien	Tingkat Hubungan
0,00 – 0,199 0,20 – 0,399 0,40 – 0,599 0,60 – 0,799 0,80 – 1,000	Sangat rendah Rendah Sedang Kuat Sangat Kuat

(Sumber: Sugiono, 2011:184)

HASIL ANALISIS KORELASI BERGANDA

Berdasarkan data di atas dapat dilihat bahwa nilai koefisien korelasi ganda (R) adalah sebesar 0,775, artinya Return on Asset & Debt to Asset Ratio memiliki hubungan cukup kuat dengan Interest Coverage Ratio (lihat pedoman Interpretasi Koefisien Korelasi).

HASIL ANALISIS KOEFISIEN DETERMINASI

Kd = (r)² x 100 %

= (0,775)² x 100 %

= 0,601 x 100%

= 60,1%

UJI HIPOTESIS:

Ketentuan:

Jika t_hitung > t_tabel, atau -t_hitung < -t_tabel maka H₀ ditolak

Jika –t_tabel ≤ t_hitung ≤ t_tabel, maka H₀ diterima.

Pengaruh Return on Asset Terhadap Interest Coverage Ratio

Maka hasil yang diperoleh dari perbandingan thitung dengan ttabel adalah thitung > ttabel (6,901 > 2,037), sehingga pada tingkat kekeliruan 5% H0 ditolak dan H1 diterima yang berarti variabel Return on Asset yang diberikan secara parsial berpengaruh terhadap Interest Coverage Ratio.

Hasil ini juga ditunjukkan oleh nilai signifikansi uji statistik untuk variabel Return on Asset  sebesar 0,000, artinya kesalahan untuk mengatakan ada pengaruh terhadap Interest Coverage Ratio hanya 0,0% atau berarti lebih kecil dari tingkat kesalahan yang dapat diterima sebesar 5% sehingga dapat diputuskan untuk menolak H0. Kesimpulannya, Return on Asset berpengaruh signifikan terhadap Interest Coverage Ratio.

Pengaruh Debt to Asset Ratio Terhadap Interest Coverage Ratio

Maka hasil yang diperoleh dari perbandingan thitung dengan ttabel adalah thitung > ttabel (-2,043 < -2,037), sehingga pada tingkat kekeliruan 5% H0 ditolak dan H1 diterima yang berarti variabel Debt to Asset Ratio yang diberikan secara parsial berpengaruh terhadap Interest Coverage Ratio.

Hasil ini juga ditunjukkan oleh nilai signifikansi uji statistik untuk variabel Debt to Asset Ratio sebesar 0,49, artinya kesalahan untuk mengatakan ada pengaruh terhadap Interest Coverage Ratio hanya 4,9% atau berarti lebih kecil dari tingkat kesalahan yang dapat diterima sebesar 5% sehingga dapat diputuskan untuk menolak H0. Kesimpulannya, Debt to Asset Ratio berpengaruh signifikan terhadap Interest Coverage Ratio.

Untuk Link download tutorial dalam bentuk file word silahkan download disini. Jika ada yang ditanyakan silahkan tanyakan lewat kolom komentar. Mohon maaf bila ada kesalahan dalam penulisan, untuk artikel selanjutnya akan dibahas mengenai bagaimana cara membaca t-tabel dan tabel Durbin Watson.
*Update: untuk cara membaca t-tabel dan analisis pengambilan keputusannya bisa dibaca disini

Terima Kasih ^^.

Share this

Author : Muharam

Related Posts