Cara Menghitung Se Dan Sr Dalam Analisis Regresi Linear Berganda

Cara Menghitung SE dan SR dalam Analisis Regresi Linear Berganda | Baik.. Selamat pagi semuanya agar masih semangat dalam menuntaskan skripsi maupun tesisnya, dan jangan lupa “katakan pada dilan yang berat itu bukan Rindu tapi di ACC dosen”..hehe. Ok, pada pembahasan kali ini saya akan mengupas tetang cara menghitung SE (sumbangan efektif) dan SR (sumbangan relatif) dalam analisis regresi linear berganda dengan SPSS yang sudah anda lakukan sebelumnya. Sedikit dongeng saja, bahwa artikel kali ini bergotong-royong merupakan bab dari request beberapa pelanggan yang telah memakai jasa analisis data ke daerah saya. Baik, tidak usah berlama-lama mari kita mulai pembahasannya, mohon disimak dengan seksama.

Setelah anda melaksanakan uji hipoteisis melalui analisis regresi liner berganda, maka dari hasil tersebut minimal anda sudah mendapat kesimpulan bahwa variabel independen (X) mempunyai efek yang signifikan terhadap variabel dependen (Y) baik secara parsial (yakni efek masing-masing variabel X) maupun secara simultan (yakni efek campuran variabel X). Pada artikel sebelumnya, sudah saya jelaskan bahwa perhitungan untuk mendeteksi efek parsial ialah dengan melaksanakan uji t. Sementara, untuk perhitungan efek simultan ialah dengan melaksanakan uji F.

Dalam output analisis regresi linear berganda di SPSS, anda sudah sanggup menjumpai angka yang menunjukkan berapa besar (koefisien diterminasi) efek gotong royong variabel independen terhadap variabel dependen yakni dengan melihat nilai R Square atau R2. Namun demikian, dari tampilan output SPSS tersebut, anda belum bisa mengetahui seberapa besar (berapa %) donasi efek yang diberikan oleh masing-masing variabel independen (X) terhadap variabel dependen (Y), serta belum sanggup melihat variabel X apa yang mempunyai efek paling mayoritas terhadap variabel Y.

KONSEP DASAR SE DAN SR DALAM ANALISIS REGRESI LINEAR BERGANDA

Perlu anda pahami bahwa efek variabel X atau sering disebut dengan “Sumbangan Prediktor” intinya merupakan pembagian terstruktur mengenai dari besarnya donasi efek (dalam hitungan persen %) dari masing-masing variabel independen terhadap variabel dependen. Dalam statistik santunan prediktor ini dikelompokkan menjadi 2 (dua) macam, yaitu santunan efektif (SE) serta santunan relatif (SR).

Sumbangan efektif (SE) ialah ukuran santunan suatu variabel prediktor atau variabel independen terhadap variabel kriterium (dependen) dalam analisis regresi. Penjumlahan dari santunan efektif untuk semua variabel independen ialah sama dengan jumlah nilai yang ada pada keofisien determinasi atau R square (R2). Sementara itu, santunan relatif (SR) merupakan suatu ukuran yang menunjukkan besarnya santunan suatu variabel prediktor terhadap jumlah kuadrat regresi. Jumlah santunan relatif dari semua variabel independen ialah 100% atau sama dengan 1.

Syarat untuk sanggup menghitung SE dan SR ialah dengan mempunyai hasil analisis hubungan dan regresi. Untuk itu, dari data penelitian di bawah ini saya akan melaksanakan analisis hubungan dan regresi untuk mengetahui hasilnya.

[Download Data]

Catatan: dari data di atas, kita hendak mengetahui berapa % santunan efektif (SE) dan santunan relatif (SR) yang diberikan variabel Lingkungan Kerja (X1) dan Kompetensi (X2) terhadap variabel Motivasi Kerja (Y).

Praktek: Cara Melakukan Analisis Korelasi dengan SPSS

Praktek: Cara Melakukan Analisis Regresi Multiples dengan SPSS

Setelah saya melaksanakan analisis hubungan dan regresi maka diperoleh output sebagai berikut:

Output SPSS Analisis Korelasi

Output SPSS Analisis Regresi

Dari output SPSS di atas, maka syarat-syarat yang diharapkan untuk menghitung santunan efektif (SE) dan santunan relatif (SR) sudah sanggup dikatakan lengkap. Untuk mempermudah penghitungan SE dan SR yang akan dilakukan maka kita perlu meringkas tabel hasil di atas. Adapun ringkasan hasil dari analisis hubungan dan regresi ialah sebagai berikut:

CARA MENGHITUNG SUMBANGAN EFEKTIF (SE) | Rumus menghitung SE ialah sebagai berikut:

Sumbangan Efektif Variabel Lingkungan Kerja (X1) terhadap Motivasi Kerja (Y)
SE(X1)% = BetaX1 x rxy x 100%
SE(X1)% = 0,408 x 0,579 x 100%
SE(X1)% = 23,6%

Sumbangan Efektif Variabel Kompetensi (X2) terhadap Motivasi Kerja (Y)
SE(X2)% = BetaX2 x rxy x 100%
SE(X2)% = 0,394 x 0,571 x 100%
SE(X2)% = 22,5%

Sumbangan Efektif (SE) total sanggup dihitung sebagai berikut:
SE total = SE(X1)% + SE(X2)%
SE total = 23,6% + 22,5%
SE total = 46,1%

KESIMPULAN: menurut hasil perhitungan di atas sanggup diketahui bahwa santunan efektif (SE) variabel lingkungan kerja (X1) terhadap motivasi kerja (Y) ialah sebesar 23,6%. Sementara santunan efektif (SE) variabel kompetensi (X2) terhadap motivasi kerja (Y) ialah sebesar 22,5%. Dengan demikian sanggup disimpulkan bahwa variabel X1 mempunyai efek lebih mayoritas terhadap variabel Y dari pada variabel X2. Untuk total SE ialah sebesar 46,1% atau sama dengan koefisien determinasi (Rsquare) analisis regresi yakni 46,1%.

CARA MENGHITUNG SUMBANGAN RELATIF (SR) | Rumus menghitung SR ialah sebagai berikut

Sumbangan Relatif Variabel Lingkungan Kerja (X1) terhadap Motivasi Kerja (Y)
SR(X1)% = SE(X1)% / R2
SR(X1)% = 23,6% / 46,1%
SR(X1)% = 51,2%

Sumbangan Relatif Variabel Kompetensi (X2) terhadap Motivasi Kerja (Y)
SR(X2)% = SE(X2)% / R2
SR(X2)% = 22,5% / 46,1%
SR(X2)% = 48,8%

Sumbangan Relatif (SR) total sanggup dihitung sebagai berikut:
SR total = SR(X1)% + SR(X2)%
SR total = 51,2% + 48,8%
SR total = 100%

KESIMPULAN: menurut hasil perhitungan di atas sanggup diketahui bahwa santunan relatif (SR) variabel lingkungan kerja (X1) terhadap motivasi kerja (Y) ialah sebesar 51,2%. Sementara santunan relatif (SR) variabel kompetensi (X2) terhadap motivasi kerja (Y) ialah sebesar 48,8%. Untuk total SR ialah sebesar 100% atau sama dengan 1.

Tonton: VIDEO Praktik Mencari Sumbangan Efektif dan Sumbangan Relatif Regresi Berganda

Mungkin sekian dulu pembahasan mengenai Cara Menghitung SE dan SR dalam Analisis Regresi Linear Berganda, cukup mudahkan untuk dipraktekkan.. untuk latihan kawan-kawan boleh download pola data di atas, bila karenanya sama dengan perhitungan yang saya lakukan sebagaimana hasil di pada artikel ini, maka itu artinya kawan-kawan sudah bisa menghitung SE dan SR.. selamat mencoba..semoga sukses.

[Search: Cara Menghitung SE dan SR dalam Analisis Regresi Linear Berganda, Pengertian Sumbangan Efektif (SE) dan Sumbangan Relatif (SR), Rumus mencari Sumbangan Efektif dan Sumbangan Relatif dalam Uji Regresi Linear Berganda dengan SPSS]

Read More

Cara Melaksanakan Uji T Parsial Dalam Analisis Regresi Dengan Spss

Cara Melakukan Uji t Parsial dalam Analisis Regresi dengan SPSS | Uji t Parsial dalam analisis regresi berganda bertujuan untuk mengetahui apakah variabel bebas (X) secara parsial [sendiri] kuat signifikan terhadap variabel (Y). Namun, kalau yang ingin diketahui ialah imbas variabel bebas secara bantu-membantu [simultan] terhadap variabel terikat maka hal ini disebut dengan uji F.

Dasar Pengambilan Keputusan untuk Uji t Parsial dalam Analisis Regresi

Berdasarkan nilai t hitung dan t tabel

1. Jika nilai t hitung > t tabel maka variabel bebas kuat terhadap variabel terikat
2. Jika nilai t hitung < t tabel maka variabel bebas tidak kuat terhadap variabel terikat

Berdasarkan nilai signifikansi hasil output SPSS

1. Jika nilai Sig. < 0,05 maka variabel bebas kuat signifikan terhadap variabel terikat
2. Jika nilai Sig. > 0,05 maka variabel bebas tidak kuat signifikan terhadap variabel terikat

Pada bab praktek Cara Melakukan Uji t Parsial dalam Analisis Regresi dengan SPSS ini, saya akan memakai hasil output SPSS dalam Analisis Regresi Multipes yang sebelumnya telah saya lakukan. Adapun ringkasan output pada tabel Coefficients sanggup dilihat pada gambar berikut ini



Dengan melihat output di atas berarti terdapat dua hipotesis [Ha] yang diajukan dalam uji t ini:
1. H1 = Motivasi (X1) kuat signifikan terhadap Prestasi (Y) – [disebut uji t pertama]
2. H2 = Minat (X2) kuat signifikan terhadap Prestasi (Y) – [disebut uji t kedua]


CARA MELAKUKAN UJI T PARSIAL [UJI T PERTAMA]
Berdasarkan output Coefficients di atas, diketahui bahwa nilai koefisien regresi variabel Motivasi (X1) ialah sebesar 0,212 bernilai kasatmata +, sehingga sanggup dikatakan bahwa Motivasi (X1) kuat kasatmata terhadap Prestasi (Y). Pengaruh kasatmata diartikan, bahwa semakin meningkat Motivasi (X1) maka akan meningkat pula Prestasi (Y).

Selanjutnya, untuk mengetahui apakah imbas tersebut signifikan atau tidak, maka nilai koefisien regresi dari variabel Motivasi (X1) ini akan diuji signifikasinya [inilaih yang sering disebut dengan uji t parsial dalam analisis regresi]

Hipotesis (Dugaan) dalam Uji t Pertama ialah :

1. H0 = Motivasi (X1) tidak kuat signifikan terhadap Prestasi (Y)
2. H1 = Motivasi (X1) kuat signifikan terhadap Prestasi (Y)

Tingkat iman yang dipakai ialah 95%, maka nilai α = 0,05

Dasar Pengambilan Keputusan dalam Uji t Pertama

1. H0 diterima dan H1 ditolak kalau nilai t hitung < t tabel atau kalau nilai Sig. > 0,05
2. H0 ditolak dan H1 diterima kalau nilai t hitung > t tabel atau kalau nilai Sig. < 0,05

Rumus untuk Mencari Nilai t Tabel ialah :
t tabel = (tingkat iman dibagi 2 ; jumlah responden dikurangi jumlah variabel bebas dikurangi 1) atau kalau ditulis dalam bentuk rumus, maka rumusnya menyerupai di bawah ini
t tabel = (α/2 ; n-k-1)
t tabel = (0,05/2 ; 12-2-1)
t tabel = (0,05/2 ; 12-2-1)
t tabel = (0,025 ; 9)
t tabel = angka 0,025 ; 9 lalu di cari pada distribusi nilai t tabel maka ditemukan nilai t tabel sebesar 2,262 [Download Distribusi Nilai t Tabel]

Hasil dan Pengambilan Keputusan dalam Uji t Pertama
Berdasarkan hasil analisis regresi diperoleh nilai t hitung sebesar 0,992 < t tabel 2,262 dan nilai singnifikansi (Sig.) 0,347 > 0,05. Maka sanggup disimpulkan bahwa H0 diterima dan H1 ditolak, yang artinya “Motivasi (X1) tidak kuat signifikan terhadap Prestasi (Y)”

Untuk uji t kedua yakni dengan H2 = Minat (X2) kuat signifikan terhadap Prestasi (Y). Silahkan teman lakukan sendiri dulu ya.. alasannya caranya sama kok menyerupai uji t pertama di atas..selamat mencoba.. agar artikel di atas bermanfaat terimakasih..

Tutorial selanjutnya akan dibahas : Cara Melakukan Uji F Simultan dalam Analisis Regresi

Baca juga: Cara Menghitung SE dan SR dalam Analisis Regresi Linear Berganda

[Search : Cara Melakukan Uji t Parsial dalam Analisis Regresi dengan SPSS | Langkah-Langkah Uji t Parsial dalam Analisis Regresi | Rumus Mencari Nilai t Tabel dalam Analisis regresi | Dasar Pengambilan Keputusan untuk Uji t Parsial dalam Analisis Regresi | Cara Praktis Melakukan Uji t dengan SPSS]

Lihat Juga: VIDEO Uji t dan Uji F dalam Analisis Regresi Lengkap

Read More

Makna Koefisien Determinasi [R Square] Dalam Analisis Regresi Linear

Makna Koefisien Determinasi [R Square] dalam Analisis Regresi Linear | Baik selamat pagi semuanya, melanjutkan postingan sebelumnya mengenai uji analisis regresi multiples [berganda], kali ini kita akan membahas makna koefisien determinasi dalam analisis regresi linear. Dimana Koefisien Determinasi (R Square) atau sering disimbolkan dengan R2 dimaknai sebagai donasi efek yang diberikan variabel bebas (X) terhadap variabel terikat (Y).

Nilai koefisien determinasi (R Square) sanggup digunakan untuk memprediksi seberapa besar kontribusi efek variabel bebas (X) terhadap variabel terikat (Y) dengan syarat hasil uji F dalam analisis regresi bernilai signifikan. Sebaliknya, kalau hasil dalam uji F tidak signifikan maka nilai koefisien determinasi (R Square) ini tidak sanggup digunakan untuk memprediksi kontribusi efek variabel X terhadap variabel Y.

Baca : Cara Melakukan Uji F Simultan dalam Analisis Regresi

Dalam data survai (data primer) yang bersifat cross section R2 bernilai 0,2 atau 0,3 sanggup dikatakan sudah cukup baik. Sementara untuk data runtut waktu (data skunder atau data time series) nilai R2 akan cenderung lebih besar.

Dalam SPSS, nilai signifikansi uji F dilihat pada output Anova. sementara untuk nilai koefisien determinasi sanggup dilihat pada output model summary



Berdasarkan output di atas diketahui bahwa nilai signifikansi dalam uji F sebesar 0,000 lebih kecil < dari probabilitas 0,05, sehingga sanggup disimpulkan bahwa minat dan motivasi secara simultan kuat terhadap prestasi. Sementara untuk melihat berapa persen efek tersebut, kita sanggup mengacu pada output dibawah ini



Dari output model summary, diketahui nilai koefisien determinasi (R Square) sebesar 0,842 (nilai 0,842 yaitu pengkuadratan dari koefisien relasi atau R, yaitu 0,918 x 0,918 = 0,842). Besarnya angka koefisien determinasi (R Square) 0,842 sama dengan 84,2%. Angka tersebut mengandung arti bahwa minat dan motivasi kuat terhadap prestasi sebesar 84,2%. Sedangkan sisanya (100% - 84,2% = 15,8%) dipengaruhi oleh variabel lain di luar model regresi ini. Besarnya efek variabel lain ini sering disebut sebagai error (e). Untuk menghitung nilai error sanggup digunakan rumus e = 1 – R2. Sebagai catatan, besarnya nilai koefisien determinasi atau R Square hanya antara 0-1. Sementara kalau dijumpai R Square bernilai minus (-), maka sanggup dikatakan bahwa tidak terdapat efek X terhadap Y. Semakin kecil nilai koefisien determinasi (R Square), maka ini artinya efek variabel bebas terhadap variabel terikat semakin lemah. Sebaliknya, kalau nilai R Square semakin mendekati 1, maka efek tersebut akan semakin kuat.

Pelajari: Cara Menghitung SE dan SR dalam Analisis Regresi Linear Berganda

[Search: Makna Koefisien Determinasi [R Square] dalam Analisis Regresi Linear, Arti Koefisien Determinasi R2 Uji Regresi Linear berganda dengan SPSS, Pengertian Koefisien Determinasi dalam Uji Regresi]

Lihat Juga: Video Uji t dan Uji F dalam Analisis Regresi Berganda dengan SPSS Lengkap

Read More