Analisis Regresi Linier Baerganda dan Contohnya

 Analisis Regresi Linier Berganda

Analisis regresi linier berganda digunakan untuk mengetahui pengaruh satu variabel independen dengan dua atau lebih variabel dependen. Rumus persamaan regresi dengan dua prediktor menurut Burhan dkk. (2018) yaitu:

Y’= a + b₁ X₁ + b₂ X₂ + e

Keterangan:

Y’        = Nilai yang diprediksikan

a           = Nilai Konstanta

X₁ X₂   = Variabel Independen

b₁ b₂     = Koefisien regresi

e           = Tingkat Kesalahan atau Eror

Coefficientsa
Model		Unstandardized Coefficients		Standardized Coefficients	t	Sig.
		B	Std. Error	Beta
1	(Constant)	-2.480	4.078		-.608	.548
	X1	-.053	.052	-.115	-.980	.334
	X2	.908	.110	.959	8.188	.000
a. Dependent Variable: Y Berdasarkan hasil persamaan regresi di atas dapat diketahui bahwa nilai konstanta (a) sebesar -2.480, nilai koefisien regresi pemahaman akuntansi sebesar -0,053 dan nilai koefisien regresi bernilai positif sebesar 0,981, sehingga diperoleh hasil persamaan regresi sebagai berikut:

Y = a + b₁X₁ + b₂X₂

Y = -2.480 – 0,053X₁ + 0,908X₂ + e

Keterangan:

Y         = Variabel Y

X₁        = Variabel X1

X₂        = Variabel X2

e          = Tingkat Kesalahan atau Eror

Dari persamaan regresi di atas dapat diartikan sebagai berikut:

1.  nilai konstanta (a) bertanda negatif yaitu -2.480 artinya apabila variabel X1 dan X2 sama dengan nol (0), maka variabel Y bernilai -2.480. Dengan kata lain apabila X1 dan X2 tidak memberikan pengaruh maka Y akan bernilai -2.480;

2.  nilai koefisien regresi X1 bernilai negatif sebesar -0,053 menujukan adanya hubungan tidak searah antara variabel X1 dengan Y. Nilai tersebut mengandung pengertian bahwa apabila variabel X1 meningkat sebesar 1 satuan, maka variabel dependen Y akan menurun sebesar 0,053 begitupun sebaliknya, dengan asumsi bahwa variabel lain konstan;

3.    nilai koefisien regresi X2 bernilai positif sebesar 0,908 menujukan adanya hubungan searah antara variabel X2 dengan Y artinya apabila variabel X1 naik sebesar  1 satuan, maka variabel dependen Y akan naik juga sebesar 0,908 begitupun sebaliknya, dengan asusmsi bahwa variabel lain konstan.

Uji Hipotesis Penelitian Kuantitatif

 

Uji Hipotesis

  Uji F (Uji Simultan)

Uji ini digunakan untuk mengetahui apakah variabel independen secara simultan mempengaruhi variabel dependen (Imam, 2020). Uji F pada analisis data penelitian ini menggunakan ukuran standar dengan tingkat signifikasi 0,05. Menurut Imam (2020) kriteria pengambilan keputusan Uji F sebagai berikut:

1.    HO diterima apabila nilai signifikansi > 0.05 dan HO ditolak apabila nilai signifikansi < 0.05;

2.    HO diterima apabila F_hitung < F_tabel dan HO ditolak apabila F_hitung > F_tabel.

Uji T (Parsial)

Uji ini digunakan untuk mengetahui seberapa jauh pengaruh satu variabel independen secara individual menerangkan variabel dependen  (Imam, 2020). Menurut Imam (2020) kriteria pengambilan keputusan Uji T sebagai berikut:

1.      HO diterima apabila nilai signifikansi > 0.05 dan HO ditolak apabila nilai signifikansi < 0.05;

2.      HO diterima apabila t hitung < t tabel dan HO ditolak apabila t hitung > t tabel_.

Koefesien Determinasi R2

Menurut  Imam (2020) uji ini digunakan untuk mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisen determinasi ialah antara nol dan satu. Apabila nilai R² kecil artinya kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen terbatas, sebaliknya jika nilai R² mendekati satu berati variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variabel dependen (Imam, 2020

Uji Asumsi Klasik Pada Skripsi Kuantitatif

Uji Asumsi Klasik

Pada analisis regresi linear pengujian asumsi disini merupakan suatu syarat untuk dilakukannya analisis selanjutnya karena asumsi-asumsi tersebut harus terpenuhi (Burhan dkk., 2019):

Uji Normalitas

Uji normalitas ini digunakan unuk memastikan bahwa sebaran data berdistribusi normal, karena dalam analisis regresi terdapat residu, yaitu selisih antara data faktual dan hasil prediksi, sehingga residu tersebut harus berdistribusi normal (Burhan dkk., 2019). Adapun menurut  Imam (2020), cara untuk mendeteksi normal tidaknya distribusi residual yaitu:

1.    Analisis Grafik, yaitu dengan melihat grafik normal plot. Jika data menyebar disekitar garis diagonal, hal tersebut menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas;

2.    Analisis Statistik, uji statistik dapat dilakukan dengan melihat nilai kurtosis dan skewness dari residual. Nilai z statistik untuk skewness dapat dihitung dengan rumus.

Zskewness

Sedangkan nilai Z kurtosis dapat dihitung dengan rumus:

Zkurtosis

N ialah jumlah sampel, jika nilai Z hitung < Z tabel, maka distribusi normal, Z tabel pada signifikansi 0,05 ialah sebesar 1,96 artinya data berdistribusi normal apablia nilai Z hitung < 1,96.

 Uji Multikolinieritas

Uji ini bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen (Imam, 2020). Pada model regresi yang baik seharusnya tidak terjadi masalah multikolonieritas. Menurut Imam (2020) untuk mengetahui ada atau tidaknya multikolonieritas pada model regresi dapat dianalisis melalui:

1.    matriks korelasi variabel-variabel independen dengan ketentuan jika nilai dalam matriks korelasi <0.90 maka tidak terjadi multikolonieritas;

2.    multikolonieritas juga dapat dilihat dari nilai tolerance dan variance inflation faktor (VIF) dengan ketentuan jika nilai tolerance lebih dari 0,10 dan VIF kurang dari 10 maka tidak terjadi multikolonieritas.

Uji Heteroskedastisitas

1.1.1 

1.1.2 

1. 

Uji ini bertujuan untuk menguji apakah pada sebuah model regresi terjadi ketidaksamanan varian dari residual suatu pengamatan ke pengamatan lain (Imam, 2020). Model regresi yang baik adalah yang tidak terjadi heteroskedatisitas atau yang homoskesdatisitas. Salah satu cara untuk mengetahui ada tidaknya heteroskedasititas yaitu dengan uji glesjer yang dapat dilihat dari nilai probabilitas masing-masing variabel dengan ketentuan jika nilai probabilitas signifikansinya di atas tingkat kepercayaaan 5%, maka dapat dikatakan tidak mengandung adanya heteroskedastisitas.