Dokumen ini melakukan analisis regresi linier berganda untuk memprediksi variabel terikat y berdasarkan dua variabel bebas x1 dan x2. Model regresi didapatkan signifikan dan mampu menjelaskan 95,2% variasi data. Uji asumsi utama juga terpenuhi, termasuk asumsi normalitas, homoskedastisitas, dan non-multikolinieritas. Hasil analisis disimpan ke dalam berkas .sav untuk keperluan selanjutnya.

1. REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT y
/METHOD=ENTER x1 x2
/SCATTERPLOT=(*ZRESID ,y)
/SAVE RESID.
Tabel ini menyajikan statistik deskriptif yang berupa rata-rata dan standar deviasi setiap variabel.
Regression
Notes
Output Created 04-Nov-2015 00:24:31
Comments
Input Active Dataset DataSet0
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data
File
18
Missing Value Handling Definition of Missing User-defined missing values are treated
as missing.
Cases Used Statistics are based on cases with no
missing values for any variable used.
Syntax REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT y
/METHOD=ENTER x1 x2
/SCATTERPLOT=(*ZRESID ,y)
/SAVE RESID.
Resources Processor Time 00:00:00.312
Elapsed Time 00:00:00.261
Memory Required 1636 bytes

2. Additional Memory Required
for Residual Plots
232 bytes
Variables Created or Modified RES_1 Unstandardized Residual
[DataSet0]
Variables Entered/Removedb
Model
Variables
Entered
Variables
Removed Method
1 x2, x1a
. Enter
a. All requested variables entered.
b. Dependent Variable: y
Model Summaryb
Model R R Square
Adjusted R
Square
Std. Error of the
Estimate
1 .976a
.952 .945 2.69330
a. Predictors: (Constant), x2, x1
b. Dependent Variable: y
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 1872.700 2 936.350 129.083 .000a
Residual 94.300 13 7.254
Total 1967.000 15
a. Predictors: (Constant), x2, x1
b. Dependent Variable: y
Tabel ini dilakukan untuk menguji model secara simultan atau bersama-sama. Uji yang dilakukan disebut simultan test (F-Test) yang bertujuan untuk melihat apakah secara bersama-sama variabel bebas
berpengaruh terhadap variabel terikat atau tidak. Penulisan pengujian secara statistik adalah sebagai berikut:
Hipotesis:
H0: β0=β1=β2 =β3 =β4 = 0
H1 : minimal ada satu βi yang tidak nol
Tingkat signifikansi: a= 5%
Statistik uji: F-Test
Wilayah kritik: Tolak H0 bila nilai signifikansi lebih besar dari a atau nilai F-uji> F(0.05,2,13) (dapat dipergunakan salah satunya)

3. Statistik observasi: (lihat output)
Nilai signifikansi= 0.000, maka tolak H0. Atau kita dapat membandingkan nilai F pada tabel hasil dengan nilai F pada tabel F standar.
Keputusan: Tolak H0
Kesimpulan: Dengan tingkat kepercayaan 95 persen dapat disimpulkan bahwa secara bersama-sama variabel bebas berpengaruh signifikan terhadap variabel tidak bebas.
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant) 37.650 2.996 12.566 .000
x1 4.425 .301 .892 14.695 .000
x2 4.375 .673 .395 6.498 .000
a. Dependent Variable: y
Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value 64.1000 99.4000 81.7500 11.17348 16
Residual -4.40000 4.20000 .00000 2.50732 16
Std. Predicted Value -1.580 1.580 .000 1.000 16
Std. Residual -1.634 1.559 .000 .931 16
a. Dependent Variable: y
Charts

4. b. Homoskedastisitas
Secara subjektif, dapat kita lihat bahwa sebaran error berada menyebar dan di sekitar nol. Sehingga secara subjektif, kita dapat mengatakan bahwa asumsi homoskedastisitas terpenuhi. Namun,
jika kita menginginkan hasil secara objektif, kita dapat mempergunakan pengujian s
statistik
c. Non Multikolinieritas
Pengujian untuk asumsi non multikolinieritas dapat dilakukan dengan melihat nilai VIF. Pada output ini nilai VIF ada di tabel coefficients.
Standar nilai VIF agar dikategorikan bebas dari multikolinieritas cukup beragam. Namun 2 nilai standar yang sering dipakai sebagai batasan adalah 5 atau 10. Dapat dilihat bahwa VIF pada
kasus ini adalah 1.000 untuk kedua variabel sehingga standar mana pun yang dipakai, model telah memenuhi asumsi non multikolinieritas
d. Non Autokorelasi
Kasus ini menggunakan data cross section, sehingga pengujian autokorelasi tidak dilakukan. Namun, apabila seandainya data ini merupakan data time series, maka pengujian autokorelasi
diperlukan. Indikator autokorelasi dapat dilihat pada nilai Durbin Watson yang ada pada tabel Model Summary.
Nilai ini akan dibandingkan dengan tabel Durbin Watson. Secara umum, model akan bebas autokorelasi apabila nilai Durbin Watson mendekati nilai 2.
NPAR TESTS
/K-S(NORMAL)=RES_1
/MISSING ANALYSIS.
NPar Tests
Notes
Output Created 04-Nov-2015 00:24:55
Comments
Input Active Dataset DataSet0
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data
File
18

5. Missing Value Handling Definition of Missing User-defined missing values are treated
as missing.
Cases Used Statistics for each test are based on all
cases with valid data for the variable(s)
used in that test.
Syntax NPAR TESTS
/K-S(NORMAL)=RES_1
/MISSING ANALYSIS.
Resources Processor Time 00:00:00.016
Elapsed Time 00:00:00.010
Number of Cases Alloweda
196608
a. Based on availability of workspace memory.
[DataSet0]
One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N 16
Normal Parametersa
Mean .0000000
Std. Deviation 2.50732261
Most Extreme Differences Absolute .107
Positive .107
Negative -.086
Kolmogorov-Smirnov Z .427
Asymp. Sig. (2-tailed) .993
Error dikatakan berdistribusi normal apabila nilai Asymp. Sig. (2-tailed) bernilai lebih besar dari nilai a (berkebalikan dengan uji F dan uji T). Dari tabel tersebut dapat dilihat bahwa error data berdistribusi normal
sehingga asumsi normalitas terpenuhi.
SAVE OUTFILE='C:UsersuserDocumentsvany.sav'
/COMPRESSED.

6. Missing Value Handling Definition of Missing User-defined missing values are treated
as missing.
Cases Used Statistics for each test are based on all
cases with valid data for the variable(s)
used in that test.
Syntax NPAR TESTS
/K-S(NORMAL)=RES_1
/MISSING ANALYSIS.
Resources Processor Time 00:00:00.016
Elapsed Time 00:00:00.010
Number of Cases Alloweda
196608
a. Based on availability of workspace memory.
[DataSet0]
One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N 16
Normal Parametersa
Mean .0000000
Std. Deviation 2.50732261
Most Extreme Differences Absolute .107
Positive .107
Negative -.086
Kolmogorov-Smirnov Z .427
Asymp. Sig. (2-tailed) .993
Error dikatakan berdistribusi normal apabila nilai Asymp. Sig. (2-tailed) bernilai lebih besar dari nilai a (berkebalikan dengan uji F dan uji T). Dari tabel tersebut dapat dilihat bahwa error data berdistribusi normal
sehingga asumsi normalitas terpenuhi.
SAVE OUTFILE='C:UsersuserDocumentsvany.sav'
/COMPRESSED.