Regresi Linier Berganda

 Model regresi berganda merupakan model regresi dengan dua atau lebih variable bebas.Analisis regresi berganda adalah suatu analisis regresi bersyarat terhadap nilai-nilai tetap dari variable-variable bebas. Dengan demikian, maka akan diperoleh nilai rata-rata dari Y untuk nilai-nilai tetap dari variable X (Soekartawi, 1993).

 Sugiono (2004) menyatakan bahwa diantara fungsi produksi yang umum dipakai adalah fungsi linier dengan analisis regresi, apabila dalam persamaan garis regresi tercakup dua jenis variable yaitu variable bebas dan variable tak bebas. Oleh karenanya, maka regresi ini dinamakan regresi linier berganda. Variable tak bebas (Y) dalam regresi linier berganda tergantung pada dua atau lebih variable bebas. Persamaan garis tersebut dapat ditulis dengan Y = a + b₁ X₁ + b₂X₂ + b₃X₃+……. + b_n X_n. Y dalam hal ini adalah variable tak bebas, sedangkan X adalah variable bebas yang nilainya diketahui, kemudian pengaruhnya terhadap Y dapat diperkirakan.

        Model regresi berganda merupakan model regresi dengan dua atau lebih. Analisis regresi berganda merupakan suatu analisis bersyarat terhadap nilai-nilai tetap dari variable-variable bebas penelitian. Dengan demikian, akan diperoleh nilai rata-rata dari Y untuk setiap nilai dari variable X. Hubungan atau korelasi antara nilai-nilai X dan Y dapat diketahui dengan cara sebagai berikut (Walpole, 1997):

• 1)  Apabila nilai R mendekati  nilai positif satu (+1) atau negative satu (-1), hubungan linier antara X dan Y kuat dan terdapat korelasi yang tinggi antara kedua variable tersebut.
• 2)  Apabila nilai R mendekati 0, hubungan linier antara X dan Y sangat lemah atau tidak sama sekali.

·         Tahap penyusunan model regresi berganda meliputi (Santoso, 2010).

1.      Menentukan mana variabel bebas (Independen) dan variabel terikat (dependen).

2.      Menentukan metode pembuatan model regresi (Enter, Stepwise, Forward, Bacward)

3.      Melihat ada tidaknya data outlier (Ekstrims)

4.      Menguji asumsi-asumsi seperti Normalitas, Linieritas, Homoskedastisitas, Multikolinieritas, dan Autokorelasi.

·         Lima asumsi utama dalam pemodelan regresi (Santoso, 2010).

1. Normalitas, yakni nilai dari Y (variabel Dependen) seharusnya didistribusikan secara normal terhadap nilai X (variabel independen).
2. Linearitas, yakni adanya hubungan yang bersifat linier antara variabel dependen dengan sekelompok variabel independen.
3. Homoskedastisitas, yakni variasi di sekitar garis regresi seharusnya konstan untuk setiap nilai X.
4. Multikolinieritas, yakni antara variabel X (Independen) tidak boleh saling berkorelasi secara kuat dan signifikan.
5. Autokorelasi, yakni terjadinya gangguan terhadap data yang bersifat time series (data berdasar waktu). Model regresi seharusnya berasal dari autokorelsai.