26
2.11.3 Seleksi Variabel Kedua Diregresikan
Cara menyeleksi variabel yang kedua diregresikan adalah memilih parsial korelasi variabel sisa yang terbesar. Untuk menghitung harga masing-masing korelasi
parsial dengan rumus Sudjana, 2005: �
ℎ
= �
ℎ
− � �
ℎ
√ − � − �
ℎ
Keterangan: merupakan variabel sisa
2.11.4 Membentuk Regresi Kedua Regresi Linier Ganda
Dengan memilih korelasi parsial variabel sisa terbesar untuk variabel tersebut masuk dalam regresi, persamaan regresi kedua dibuat
= +
ℎ ℎ
+ dengan cara sebagai berikut:
= [
ℎ ℎ
ℎ� �
] ′
−
= [ �
∑
ℎ
∑ ∑
ℎ
∑
ℎ
∑
ℎ
∑ ∑
ℎ
∑ ]
−
= [
�
]
′
= [ ∑
∑
ℎ
∑ ]
= ′
−
.
′
= [
ℎ
]
Uji keberartian regresi dengan tabel anava sama dengan langkah kedua yaitu dengan menggunakan tabel 2.3. Selanjutnya diperiksa apakah koefisien
regresi b
k
signifikan, dengan hipotesa: H
: b
k
= 0 H
1
: b
k
≠ 0 F
hitung
=
�
Universitas Sumatera Utara
27 Keputusan:
a Bila F
hitung
F
1 ; n - p ; 0,05
, terima H artinya b
k
dianggap sama dengan nol, maka proses diberhentikan dan persamaan yang terbaik
= +
ℎ ℎ
. b
Bila F
hitung
≥ F
1 ; n - p ; 0,05
, tolak H artinya b
k
dianggap tidak sama dengan nol, maka variabel
tetap di dalam penduga.
2.11.5 Seleksi Variabel Ketiga Diregresikan
Dipilih kembali harga korelasi parsial variabel sisa terbesar. Menghitung harga masing-masing parsial korelasi variabel sisa dengan rumus Sudjana, 2005:
�
ℎ
= �
ℎ
− � �
ℎ
√ − � − �
ℎ
Keterangan: merupakan variabel sisa
2.11.6 Membentuk Persamaan Regresi Ketiga
Dengan memilih korelasi parsial terbesar, persamaan regresi dibuat =
+
ℎ ℎ
+ +
, dengan cara sebagai berikut: = [
ℎ ℎ
ℎ� �
�
] = [
�
]
′
−
= [
� ∑
ℎ
∑
ℎ
∑
ℎ
∑ ∑
∑
ℎ
∑
ℎ
∑ ∑
ℎ
∑ ∑
ℎ
∑ ∑
∑ ∑
]
− ′
= [
∑ ∑
ℎ
∑ ∑
]
Untuk proses selanjutnya dilakukan dengan cara yang sama seperti diatas.
Universitas Sumatera Utara
28
2.11.7 Pembentukan Persamaan Penduga
Persamaan penduga ̂ =
+ dimana X
i
adalah semua variabel X yang masuk kedalam penduga faktor penduga dan b
i
adalah koefisien regresi untuk X
i
.
2.11.8 Pertimbangan Terhadap Penduga
Sebagai pembahasan suatu penduga, untuk menanggapi kecocokan penduga yang diperoleh ada dua hal yang dipertimbangkan yakni:
a. Pertimbangan berdasarkan R
2
Koefisien determinasi ganda R
2
mengukur tingkat ketepatankecocokan goodness of fit dari regresi linier ganda. Suatu penduga sangat baik
digunakan apabila persentase variabel yang dijelaskan sangat besar atau bila R
2
→ 1
b.
Analisa residu
Suatu regresi adalah berarti dan model regresinya cocok sesuai berdasarkan
nilai observasi apabila asumsi dibawah ini dipenuhi:
≈ N , � berarti residu e
j
mengikuti distribusi normal dengan mean e = 0 dan varian
σ
2
= konstanta
Asumsi ini dibuktikan dengan analisis residu. Untuk langkah ini pertama dihitung residu sisa dari penduga, yaitu selisih dari respon observasi terhadap
hasil keluaran oleh penduga berdasarkan prediktor observasi. Dengan rumus:
= − ̂ dimana tabelnya seperti dibawah ini:
Universitas Sumatera Utara
29
Tabel 2.5 Analisa Residu No. Observasi
Respon Penduga
Residu
1 2
3
n
�
̂ ̂
̂ ̂
�
− ̂ − ̂
− ̂
�
− ̂
�
Jumlah -
- ∑
Rata-rata -
- ∑
�
Asumsi
a. Rata-rata residu sama dengan nol ̅ =
b. Varian e
j
= Varian e
k
= �
Keadaan ini dibuktikan dengan uji statistika dengan menggunakan uji korelasi Rank Spearman Spearman’s Rank Correlation Test, ditunjukkan dengan
tabel berikut:
Tabel 2.6 Rank Spearman No.
Observasi Penduga
Y
j
Residu �
Rank Y
Rank e
�� − �
�
� 1
2 3
N
� �
� �
�
�
�
�
�
�
�
�
�
�
�
�
d d
d d
�
d d
d
d
�
Jumlah -
- -
- -
∑ d Uji Hipotesa:
H : Varian = Varian
= �
H
1
: Varian ≠ Varian ≠ �
Koefisien korelasi Rank Spearman r
s
: � = − 6
∑ � � −
Universitas Sumatera Utara
30 Dimana:
= Perbedaan rank yang diberikan oleh dua karakter yang berbeda n
= jumlah responden Untuk sampel besar n 10 diuji dengan menggunakan Uji t dengan rumus:
t = � √� −
√ − � Keputusan:
a Jika � ≤ �
� �−
, maka H diterima
b Jika � �
� �−
, maka H ditolak
Bila H diterima maka varian = varian
= � atau varian seluruh
residu adalah sama, sehingga model regresi linier yang terbentuk adalah cocok.
Universitas Sumatera Utara
31
BAB III
PEMBAHASAN
1.12 Deskripsi Obyek Penelitian
