Analisis Regresi Linier Berganda

Tugas Individu
"Mengolah Data Regresi Linier Berganda Menggunakan Software

Minitab 16 dan SPSS 17 Untuk Memenuhi Tugas Mata Kuliah
Regresi Terapan"
Oleh:
Ninda Ayu Puspita Rahmayanti (081511833006)
Program Studi S1 Statistika
Fakultas Sains dan Teknologi
Universitas Airlangga
Surabaya
2015-2016
PENDAHULUAN
Data dan Sumber Data
Data yang digunakan dalam tugas ini merupakan data sekunder yang diambil dari
Skripsi Gilang Rizky Dewanti UIN Sunan Kalijaga program studi S1 Keuangan Islam tahun
2009. Skirpsi tersebut berjudul “Analisis Pengaruh Inflasi, Suku Bunga, Jumlah Uang
Beredar, Kurs Nilai Tukar Dollar Amerika/Rupiah dan Harga Emas Dunia Terhadap Jakarta
Islamic Index di Bursa Efek Indonesia"
Variabel Penelitian
Variabel yang digunakan dalam skripsi ini yaitu:
1. Inflasi Sebagai Variabel Prediktor (X1).

2. Suku Bunga Sebagai Variabel Prediktor (X2).
3. Jumlah Uang Beredar Sebagai Variabel Prediktor (X3).
4. Kurs Sebagai Variabel Prediktor (X4).
5. Harga Emas Sebagai Variabel Prediktor (X5).
6. Jakarta Islamic Index Sebagai Variabel Respon (Y).
Proses Analisis Data

Langkah- langkah dalam tugas regresi terapan ini, sebagai berikut:
1. Uji Normalitas Residual
2. Menghitung Koefisien Determinasi
3. Mengestimasi Model Regresi Linier Berganda
4. Uji Serempak
5. Interval Kepercayaan Uji Serempak
6. Uji Individu
7. Interval Kepercayaan Uji Individu
8. Uji Ketidaksesuaian Model
9. Jumlah Kuadrat Ekstra
10. Koefisien Determinasi Parsial
11. Plot Regresi Parsial
12. Identifikasi pencilan
13. Estimasi Kurva
ANALISIS DATA
Tabel 1.1 Data Analisis Pengaruh Inflasi, Suku Bunga, Jumlah Uang Beredar, Kurs Nilai
Tukar Dollar Amerika/Rupiah dan Harga Emas Dunia Terhadap Jakarta Islamic Index di
Bursa Efek Indonesia
No X1 X2 X3 X4 X5 Yi
1 -0.07 8.75 1859891 11355 858.69 213.63
2 0.21 8.25 1890430 11980 943 214.12
3 0.22 7.75 1909681 11575 924.27 236.79
4 -0.31 7.5 1905475 10713 890.2 279.87
5 0.04 7.25 1917092 10340 928.65 307.14
6 0.11 7 1977532 10225 945.67 321.46
7 0.45 6.75 1960950 9920 934.23 385.22
8 0.56 6.5 1995294 10060 949.38 380.65
9 1.05 6.5 2018510 9681 996.59 401.53
10 0.19 6.5 2021517 9545 1043.16 383.67
11 -0.03 6.5 2062206 9480 1127.04 397.89
12 0.33 6.5 2141384 9400 1134.72 417.18
13 0.84 6.5 2073860 9365 1117.96 427.68
14 0.3 6.5 2066481 9335 1095.41 413.73
15 -0.14 6.5 2111350 9115 1113.34 443.67
16 0.15 6.5 2115125 9012 1148.69 474.8
17 0.29 6.5 2142339 9180 1205.43 444.6
18 0.97 6.5 2230237 9083 1232.92 460.26
19 1.57 6.5 2216597 8952 1192.97 483.32
20 0.76 6.5 2235497 9041 1215.81 473.79
21 0.44 6.5 2271516 8924 1270.98 526.52
22 0.06 6.5 2308153 8928 1342.02 540.29
23 0.6 6.5 2346801 9013 1369.89 508.78
24 0.92 6.5 2469399 8991 1390.55 532.9
25 0.89 6.5 2436679 9057 1356.4 477.51
26 0.13 6.75 2420191 8823 1372.73 496.87
27 -0.32 6.75 2451357 8709 1424 514.92
28 -0.31 6.75 2434478 8574 1479.76 528.76
29 0.12 6.75 2475286 8537 1512.6 531.38
30 0.55 6.75 2522784 8597 1528.66 536.04
31 0.67 6.75 2564556 8508 1572.21 567.12
32 0.93 6.75 2621346 8578 1757.21 529.16
33 0.27 6.75 2643331 8823 1770.95 492.3
34 -0.12 6.5 2677787 8835 1665.21 530.19
35 0.34 6 2729538 9170 1738.11 520.49
36 0.57 6 2877220 9068 1641.84 537.03
37 0.76 6 2827570 9193 1652.21 562.53
38 0.05 5.75 2849796 9190 1742.14 566.75
39 0.07 5.75 2911920 9180 1673.77 584.06
40 0.21 5.75 2927259 9175 1649.69 575.09
41 0.07 5.75 2992057 9291 1591.19 525.05
42 0.62 5.75 3050355 9451 1598.76 544.19
1. Uji Normalitas Residual
One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N 42
Normal Parametersa,,b Mean .0000000
Std. Deviation 19.95407060
Most Extreme Differences Absolute .100
Positive .100
Negative -.061
Kolmogorov-Smirnov Z .651
Asymp. Sig. (2-tailed) .790
a. Tes t distribution is Normal.
b. Calculated from data.
Berdasarkan uji normalitas dengan kolmogorov-smirnov test diperoleh nilai KSZ sebesar
0,651 dan Asymp. Sig sebesar 0,790 lebih besar dari 0,05 maka dapat disimpulkan data
berdistribusi normal
Normal Probability Plot
(response is y)
99
95
90
80
70
Percent
60
50
40
30
20
10
1
-50 -25 0 25 50
Residual
Dari grafik diatas menunjukkan bahwa sebaran residual (titik merah) berada di sekitar garis
lurus. Ini menunjukkan bahwa residual berdistribusi normal sehingga data berdistribusi
normal.
2. Menghitung Koefisien Determinasi

Model Summaryb
Std. Error of the

Model R R Square Adjusted R Square Estimate
1 .980a .960 .955 21.29473
a. Predictors: (Constant), Emas, Inflasi, SukuBunga, Kurs, JUB
b. Dependent Variable: JII
Jika dilihat dari nilai R-Square yang besarnya 0,960 menunjukkan bahwa proporsi pengaruh
variabel Inflasi, suku bunga, jumlah uang beredar,kurs, dan harga emas dunia terhadap variabel
Jakarta Islamic Index sebesai 96%. Artinya inflasi, suku bunga, jumlah uang beredar,kurs, dan
harga emas dunia memiliki proporsi pengaruh terhadap Jakarta Islamic Index sebesar 96%
sedangkan sisanya 4% dipengaruhi oleh variabel lain yang tidak ada didalam model regresi
linear.
3. Mengestimasi Model Regresi Linier Berganda
Berdasarkan data diatas, bentuk model regresi linier berganda adalah:
yi= β0 + β1Xi1 + β2Xi2+ β3Xi3 + …+ β5Xi5 + εi ; i = 1,2,…,42. (1.1)
dengan
 yi adalah variabel respon pada pengamatan ke 1-42.
 Xi1,Xi2,…, Xi,5 adalah variabel prediktor pada pengamatan ke i.
 β0, βi1,…, β5 adalah parameter model regresi linier berganda.
 𝑦 = [213.63 214.12 236.79 … 544.19]
 𝑗42𝑥1 = [1 1 1 … 1]
 𝑋1 = [−0.07 0.21 0.22 … 0.62]
 𝑋2 = [8.75 8.25 7.75 … 5.75]
 𝑋3 = [1859891 1890430 … 3050355]
 𝑋4 = [11355 11980 11575 … 9451]
 𝑋5 = [858.69 943 924.27 … 1598.76]
 𝜀42𝑥1 = [𝜀1 𝜀2 𝜀3 … 𝜀42 ]
Fungsi respon pada pengamatan ke-i dari model regresi linier diatas adalah:
Е(yi) = β0 + βi1 + βi2 + βi3 + …+ β5Xi ,5 ; i = 1,2,…,42. (1.2)
Mengestimasi model regresi linier berganda pada identik dengan mengestimasi

parameter β. Untuk mengestimasi parameter β digunakan metode kuadrat terkecil, yaitu
menentukan nilai parameter β yang meminimumkan fungsi Q = ε’ε sehingga diperoleh
estimator untuk β adalah
𝛽̂ = (𝑋 ′ 𝑋)−1 𝑋 ′ 𝑦
̂ = 𝑋𝛽̂
𝑦̂ = 𝐸(𝑦)
Berdasarkan data diatas, estimasi model yi= β0 + β1Xi1 + β2Xi2+ β3Xi3 + β4Xi4 + β5Xi5 + εi
Penyelesaian:
16.4465 −0.421975 −1.13164 −0.0000031 −0.0003191 0.0010765
−0.4220 0.152497 0.02483 0.0000000 0.0000142 0.0000316
−1.1316 0.024828 0.24955 0.0000006 −0.0001253 −0.0006366
(𝑋 ′ 𝑋)−1 =
−0.0000 0.000000 0.00000 0.0000000 −0.0000000 −0.0000000
−0.0003 0.000014 −0.00013 −0.0000000 0.0000001 0.0000006
[ 0.0011 0.000032 −0.00064 −0.0000000 0.0000006 0.0000054 ]
1.92889𝐸 + 04
7.23172𝐸 + 03
1.25439𝐸 + 05
𝑋 ′𝑦 =
4.65048𝐸 + 10
1.77994𝐸 + 08
[ 2.63248𝐸 + 07 ]
𝛽̂ = (𝑋 ′ 𝑋)−1 𝑋 ′ 𝑦 =
16.4465 −0.421975 −1.13164 −0.0000031 −0.0003191 0.0010765 1.92889𝐸 + 04

−0.4220 0.152497 0.02483 0.0000000 0.0000142 0.0000316 7.23172𝐸 + 03
−1.1316 0.024828 0.24955 0.0000006 −0.0001253 −0.0006366 1.25439𝐸 + 05
−0.0000 0.000000 0.00000 0.0000000 −0.0000000 −0.0000000 4.65048𝐸 + 10
−0.0003 0.000014 −0.00013 −0.0000000 0.0000001 0.0000006 1.77994𝐸 + 08
[ 0.0011 0.000032 −0.00064 −0.0000000 0.0000006 0.0000054 ] [ 2.63248𝐸 + 07 ]
956.776
6.774
−18.282
𝛽̂ =
0.000
−0.071
[ 0.006 ]
Jadi estimasi modelnya adalah
̂𝑖 = 956.776 + 6.774 Xi1−18.282Xi2 + 0.000 Xi3 + −0.071 Xi4 + 0.006 Xi5

𝑌
4. Uji Serempak
Permasalahan: Apakah Inflasi (X1), Suku Bunga (X2), Jumlah Uang Beredar (X3), Kurs
(X4) dan Harga Emas (X5) berpengaruh terhadap Jakarta Islamic Index (Y)?
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 393640.561 5 78728.112 173.614 .000a
Residual 16324.762 36 453.466
Total 409965.323 41

H0 : Inflasi, suku bunga, jumlah uang beredar,kurs, dan harga emas dunia secara bersama
tidak mempengaruhi Jakarta Islamic Index
H1 : Inflasi, suku bunga, jumlah uang beredar,kurs, dan harga emas dunia secara bersama
mempengaruhi Jakarta Islamic Index
Daerah Kritis :
Tingkat kepercayaan yang digunakan adalah 95% maka nilai α = 0.05
Dasar penggambilan keputusan uji serentak :
F tabel = F (α;p-1;n-p)
F tabel = F (0.05;5;36)
F tabel = 2.48
Daerah kritis : H0 ditolak jika F hitung > F (α;p-1;n-p)
F hitung > 2.48
Statistik Uji :
Dari output diatas, diperoleh nilai F hitung sebesar 173.614 dan P-value = 0.000
Sehingga diperoleh :
Keputusan : H0 ditolak, karena nilai F hitung sebesar 173.614 berada didalam daerah
kritis dan P-value 0.000 < α (0.05)
Kesimpulan : Inflasi, suku bunga, jumlah uang beredar,kurs, dan harga emas dunia secara
bersama mempengaruhi Jakarta Islamic Index
5. Interval Kepercayaan Uji Serempak
Analysis of Variance
Source DF SS MS F P
Regression 5 393641 78728 173.61 0.000
Residual Error 36 16325 453
Total 41 409965
16. 𝟒𝟒𝟔𝟓 −0.421975 −1.13164 −0.0000031 −0.0003191 0.0010765

−0.4220 0.152497 0.02483 0.0000000 0.0000142 0.0000316
−1.1316 0.024828 0.24955 0.0000006 −0.0001253 −0.0006366
(𝑋 ′ 𝑋)−1 =
−0.0000 0.000000 0.00000 0.0000000 −0.0000000 −0.0000000
−0.0003 0.000014 −0.00013 −0.0000000 0.0000001 0.0000006
[ 0.0011 0.000032 −0.00064 −0.0000000 0.0000006 0.0000054 ]
𝑠(𝛽̂1 ) = 𝑐11 𝑀𝑆𝐸 = 0.152497(453) = 69.081141
𝑠(𝛽̂2 ) = 𝑐22 𝑀𝑆𝐸 = 0.24955(453) = 113.04615
𝑠(𝛽̂3 ) = 𝑐33 𝑀𝑆𝐸 = 0,0000000(453) = 0,0000000
𝑠(𝛽̂4 ) = 𝑐44 𝑀𝑆𝐸 = 0.0000001(453) = 0.0000453
𝑠(𝛽̂5 ) = 𝑐55 𝑀𝑆𝐸 = 0.0000054(453) =0.0024462
t(α/2g ; n-p) = t(0.05/12 ; 36) =2.719
1. Selang kepercayaan 95% untuk paramater 𝛽1

𝛽̂𝑘 ± 𝑡α/2g(n−p) s(𝛽̂𝑘 )
𝛽̂1 − 𝑡 𝛼 𝑠(𝛽̂1 ) < 𝛽1 < 𝛽̂1 + 𝑡 𝛼 𝑠(𝛽̂1 )
2𝑔 2𝑔
6.774 − 2.719 (69.081141) < 𝛽1 < 6.774 + 2.719 (69.081141)
6.774 − 187.8316 < 𝛽1 < 6.774 + 187.8316
−181.0576 < 𝛽1 < 194.6056

𝛽̂2 − 𝑡 𝛼 𝑠(𝛽̂2 ) < 𝛽2 < 𝛽̂2 + 𝑡 𝛼 𝑠(𝛽̂2 )
2𝑔 2𝑔
−18.282 − 2.719 (113.04615) < 𝛽2 < −18.282 + 2.719 (113.04615)
−18.282 − 307.3724 < 𝛽2 < −18.282 + 307.3724
−325.6544 < 𝛽2 < 289.0904

𝛽̂3 − 𝑡 𝛼 𝑠(𝛽̂3 ) < 𝛽3 < 𝛽̂3 + 𝑡 𝛼 𝑠(𝛽̂3 )
2𝑔 2𝑔
0.000 − 2.719 (0.0000) < 𝛽3 < 0.000 + 2.719 (0.0000)
0.000 < 𝛽3 < 0.000

𝛽̂4 − 𝑡 𝛼 𝑠(𝛽̂4 ) < 𝛽4 < 𝛽̂4 + 𝑡 𝛼 𝑠(𝛽̂4 )
2𝑔 2𝑔
−0.071 − 2.719 (0.0000453) < 𝛽4 < −0.071 + 2.719 (0.0000453)
−0.071123 < 𝛽4 < −0.07087
𝛽̂5 − 𝑡 𝛼 𝑠(𝛽̂5 ) < 𝛽5 < 𝛽̂5 + 𝑡 𝛼 𝑠(𝛽̂5 )
2𝑔 2𝑔
0.006 − 2.719 (0.0024462) < 𝛽5 < 0.006 − 2.719 (0.0024462)
−0.0006512 < 𝛽5 < −6.64521
6. Uji Individu
Hasil output minitab :

Regression
[DataSet0]
Variables Entered/Removed
Variables Variables
Model Entered Removed Method
1 Emas, Inflasi, . Enter

SukuBunga,
Kurs, JUBa
a. All requested variables entered.
Model Summaryb
Adjusted R Std. Error of the

Model R R Square Square Estimate
1 .980a .960 .955 21.29473
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 393640.561 5 78728.112 173.614 .000a
Residual 16324.762 36 453.466
Total 409965.323 41
Coefficientsa
Standardized t Sig.
Unstandardized Coefficients Coefficients
Model B Std. Error Beta
1 (Constant) 956.776 86.359 11.079 .000
Inflasi 6.774 8.316 .028 .815 .421
SukuBunga -18.282 10.638 -.111 -1.719 .094
JUB .000 .000 .411 2.892 .006
Kurs -.071 .008 -.566 -8.687 .000
Emas .006 .050 .018 .126 .900
a. Dependent Variable: JII
Berdasarkan output di atas, hasil uji t pada penelitian ini dapat dilihat ditabel 1.1 berikut
ini:
Tabel 1.1
Variabel Koefisien Regresi thitung Sig

Konstanta 956.776 11.079 0.000
X1 6.774 0.815 0.421
X2 -18.282 -1.719 0.094
X3 0.000 2.892 0.006
X4 -0.071 -8.687 0.000
X5 0.006 0.126 0.900
Fhitung 173.614
R2 0.960
a. Uji individu pengaruh variabel prediktor X1 terhadap variabel terikat Y
Permasalahan : Apakah ada pengaruh yang signifikan antara Inflasi (X1) terhadap Jakarta
Islamic Index (Y)?
H0 : Tidak ada pengaruh yang signifikan antara Inflasi (X1) terhadap Jakarta Islamic Index
(Y)
H1 : Ada pengaruh yang signifikan antara Inflasi (X1) terhadap Jakarta Islamic Index (Y)
Daerah Kritis : H0 ditolak jika lt hitungl > t tabel
lt hitungl > t(α/2;n-p)
lt hitungl > t(0.025;36)
lt hitungl > 2.028
atau jika Sig. (P-value) < α (0.05)
Berdasarkan tabel 1.1, maka hasil uji t pada penelitian ini dapat dijelaskan sebagai
berikut:
t hitung = 0.815 dan P-value = 0.421
Nilai koefisien regresi variabel Inflasi (X1) adalah sebesar 6.774 bernilai positif, sehingga
Inflasi (X1) berpengaruh positif terhadap Jakarta Islamic Index (Y). Pengaruh positif
diartikan bahwa semakin meningkat Inflasi (X1) maka akan meningkat pula Jakarta
Islamic Index (Y)
Berdasarkan hasil analisis regresi di atas, maka :

Keputusan : H0 diterima, karena nilai t hitung sebesar 0.815 berada diluar daerah kritis
dan Sig. (P-value) 0.421 > 0,05.
Kesimpulan : Tidak ada pengaruh yang signifikan antara Inflasi (X1) terhadap Jakarta
Islamic Index (Y)
b. Uji individu pengaruh variabel prediktor X2 terhadap variabel terikat Y
Permasalahan : Apakah ada pengaruh yang signifikan antara Suku Bunga (X2) terhadap
Jakarta Islamic Index (Y)?
H0: Tidak ada pengaruh yang signifikan antara Suku Bunga (X2) terhadap Jakarta Islamic
Index (Y)
H1 : Ada pengaruh yang signifikan antara Suku Bunga (X2) terhadap Jakarta Islamic Index
(Y)

lt hitungl > 2.028
berikut:
t hitung = -1.719 dan P-value = 0.094
Nilai koefisien regresi variabel Suku Bunga (X2) adalah sebesar -18.282 bernilai negatif,
sehingga Suku Bunga (X2) berpengaruh negatif terhadap Jakarta Islamic Index (Y).
Pengaruh negatif diartikan bahwa semakin meningkat Suku Bunga (X2) maka Jakarta
Islamic Index (Y) akan semakin menurun atau sebaliknya.

Keputusan : H0 diterima, karena nilai t hitung sebesar -1.719 berada diluar daerah kritis
dan Sig. (P-value) 0.094 > 0,05.
kesimpulan : Tidak ada pengaruh yang signifikan antara Suku Bunga (X2) terhadap
Jakarta Islamic Index (Y)
c. Uji individu pengaruh variabel prediktor X3 terhadap variabel terikat Y
Permasalahan : Apakah ada pengaruh yang signifikan antara Jumlah Uang Beredar (X3)
terhadap Jakarta Islamic Index (Y)?
H0 : Tidak ada pengaruh yang signifikan antara Jumlah Uang Beredar (X3) terhadap Jakarta
Islamic Index (Y)
H1 : Ada pengaruh yang signifikan antara Jumlah Uang Beredar (X3) terhadap Jakarta
Islamic Index (Y)

lt hitungl > 2.028
berikut:
Nilai koefisien regresi variabel Jumlah Uang Beredar (X3) adalah sebesar 0.000 bernilai
positif, sehingga Jumlah Uang Beredar (X3) berpengaruh positif terhadap Jakarta Islamic
Index (Y). Pengaruh positif diartikan bahwa semakin meningkat Jumlah Uang Beredar
(X3) maka akan meningkat pula Jakarta Islamic Index (Y)

Keputusan : H0 ditolak, karena nilai t hitung sebesar 2.892 berada di dalam daerah kritis
dan Sig. (P-value) 0.006 < 0,05.
Kesimpulan : Ada pengaruh yang signifikan antara Jumlah Uang Beredar (X3) terhadap
Jakarta Islamic Index (Y)
d. Uji individu pengaruh variabel prediktor X4 terhadap variabel terikat Y
Permasalahan : Apakah ada pengaruh yang signifikan antara Kurs (X4) terhadap Jakarta
Islamic Index (Y)?
H0 : Tidak ada pengaruh yang signifikan antara Kurs (X4) terhadap Jakarta Islamic Index (Y)
H1 : Ada pengaruh yang signifikan antara Kurs (X4) terhadap Jakarta Islamic Index (Y)

lt hitungl > 2.028
berikut:
t hitung = -8.687dan P-value = 0.000
Nilai koefisien regresi variabel Kurs (X4) adalah sebesar -0.071 bernilai negatif, sehingga
Kurs (X4) berpengaruh negatif terhadap Jakarta Islamic Index (Y). Pengaruh negatif
diartikan bahwa semakin meningkat Kurs (X4) maka Jakarta Islamic Index (Y) akan
semakin menurun atau sebaliknya.

Keputusan : H0 ditolak, karena nilai t hitung sebesar -8.687 berada didalam daerah kritis
dan Sig. (P-value) 0.000 < 0,05.
kesimpulan : Ada pengaruh yang signifikan antara Kurs (X4) terhadap Jakarta Islamic
Index (Y)
e. Uji individu pengaruh variabel prediktor X5 terhadap variabel terikat Y
Permasalahan : Apakah ada pengaruh yang signifikan antara Emas (X5) terhadap Jakarta
Islamic Index (Y)?
H0 : Tidak ada pengaruh yang signifikan antara Emas (X5) terhadap Jakarta Islamic Index (Y)
H1 : Ada pengaruh yang signifikan antara Emas (X5) terhadap Jakarta Islamic Index (Y)

lt hitungl > 2.028
berikut:
Nilai koefisien regresi variabel Emas (X5) adalah sebesar 0.006 bernilai positif, sehingga
Emas (X5) berpengaruh positif terhadap Jakarta Islamic Index (Y). Pengaruh positif
diartikan bahwa semakin meningkat Emas (X5) maka akan meningkat pula Jakarta
Islamic Index (Y)

keputusan : H0 diterima, karena nilai t hitung sebesar 0.126 berada diluar daerah kritis
dan Sig. (P-value) 0.900 > 0,05.
kesimpulan : Tidak ada pengaruh yang signifikan antara Emas (X5) terhadap Jakarta
Islamic Index (Y)
7. Interval Kepercayaan Uji Individu
a. Selang kepercayaan 95% untuk paramater 𝛽1:
𝛽̂1 − 𝑡𝛼 𝑠(𝛽̂1 ) < 𝛽1 < 𝛽̂1 + 𝑡𝛼 𝑠(𝛽̂1 )

2 2
𝛽̂1- t(0.025;36) √𝐾𝑇𝐺 √𝐶22 < 𝛽1 < 𝛽̂1 + t(0.025; 36) √𝐾𝑇𝐺 √𝐶22
6.774 - 2.028 √78728.112 √0.152497 < β1 < 6.774 + 2.028 √78728.112 √0.152497
6.774 - 222.2099589 < β1 < 6.774 + 222.2099589
-215.4359589 < β1 < 228.9839589
b. Selang kepercayaan 95% untuk paramater 𝛽2 ∶

𝛽̂2 − 𝑡𝛼 𝑠(𝛽̂2 ) < 𝛽2 < 𝛽̂2 + 𝑡𝛼 𝑠(𝛽̂2 )
2 2
𝛽̂2- t(0.025;36) √𝐾𝑇𝐺 √𝐶33 < β2 < 𝛽̂2+ t(0.025;36) √𝐾𝑇𝐺 √𝐶33
-18.282 - 2.028 √78728.112 √0.24955 < β2<-18.282 + 2.028 √78728.112 √0.24955
-18.282 - 284.2573193 < β2 < -18.282 + 284.2573193
-302.5393193 < β2 < 265.9753193
c. Selang kepercayaan 95% untuk paramater 𝛽3:

𝛽̂3 − 𝑡𝛼 𝑠(𝛽̂3 ) < 𝛽3 < 𝛽̂3 + 𝑡𝛼 𝑠(𝛽̂3 )
2 2
𝛽̂3- t(0.025;36) √𝐾𝑇𝐺 √𝐶44 < β3 < 𝛽̂3+ t(0.025;36) √𝐾𝑇𝐺 √𝐶44
0.000 - 2.028 √78728.112 √0.000 < β3< 0.000+ 2.028 √78728.112 √0.000
0.000 < β3 < 0.000
d. Selang kepercayaan 95% untuk paramater 𝛽4 :

𝛽̂4 − 𝑡𝛼 𝑠(𝛽̂4 ) < 𝛽4 < 𝛽̂4 + 𝑡𝛼 𝑠(𝛽̂4 )
2 2
𝛽̂4 - t(0.025;36) √𝐾𝑇𝐺 √𝐶55 < β4 < 𝛽̂4 + t(0.025;36) √𝐾𝑇𝐺 √𝐶55
-0.071 - 2.028 √78728.112 √0.0000001 < β4< -0.071+ 2.028 √78728.112 √0.0000001
-0.071 - 0.179942135 < β4< -0.071 + 0.179942135
-0.250942135 < β4< 0.108942135
e. Selang kepercayaan 95% untuk paramater 𝛽5 :
𝛽̂5 − 𝑡𝛼 𝑠(𝛽̂5 ) < 𝛽5 < 𝛽̂5 + 𝑡𝛼 𝑠(𝛽̂5 )

2 2
𝛽̂5- t(0.025;36) √𝐾𝑇𝐺 √𝐶66 < β5 < 𝛽̂5+ t(0.025;36) √𝐾𝑇𝐺 √𝐶66
0.006 - 2.028 √78728.112 √0.0000054 < β5< 0.006 + 2.028 √78728.112 √0.0000054
0.006 - 1.32229 < β5< 0.006+ 1.32229
-1.31629 < β5< 1.32829
8. Uji Ketidaksesuaian Model

Dari perhitungan minitab didapat :
There are no replicates.

Minitab cannot do the lack of fit test based on pure error.
Ini berarti tidak ada pasangan dari X1, X2, X3, X4, dan X5 yang sama, maka data diatas
tidak dapat diuji ketidaksesuaian model.
9. Jumlah Kuadrat Ekstra
1. Regresi Y terhadap X1
Regression Analysis: y versus x1
The regression equation is

y = 442 + 47.6 x1
Source DF SS MS F P
Regression 1 16111 16111 1.64 0.208
Total 41 409965
Variabel Penduga Parameter Simpangan baku T

X1 47.63 37.24 1.28

y = 1334 - 132 x2
Source DF SS MS F P
Regression 1 265550 265550 73.55 0.000
Total 41 409965

X2 -132.42 15.44 -8.58

y = - 101 + 0.000238 x3
Source DF SS MS F P
Regression 1 284486 284486 90.69 0.000
Total 41 409965

X3 0.00023830 0.00002502 9.52

y = 1510 - 0.112 x4
Source DF SS MS F P
Regression 1 329601 329601 164.05 0.000
Total 41 409965

X4 -0.112028 0.008747 -12.81

y = 65.4 + 0.300 x5
Source DF SS MS F P
Regression 1 306236 306236 118.09 0.000
Total 41 409965

X5 0.30022 0.02763 10.87
6. Regresi Y terhadap X1 dan X2
Regression Analysis: y versus x1, x2

y = 1328 + 4.5 x1 - 132 x2
Source DF SS MS F P
Regression 2 265685 132843 35.91 0.000
Total 41 409965

X1 4.48 23.42 0.19
X2 -131.74 16.04 -8.21

y = - 106 + 34.4 x1 + 0.000236 x3
Source DF SS MS F P
Regression 2 292831 146415 48.75 0.000
Total 41 409965

X1 34.36 20.61 1.67
X3 0.00023555 0.00002454 9.60

y = 1505 + 3.5 x1 - 0.112 x4
Source DF SS MS F P
Regression 2 329682 164841 80.08 0.000
Total 41 409965

X1 3.46 17.40 0.20
X4 -0.111658 0.009047 -12.34

y = 57.3 + 34.4 x1 + 0.297 x5
Source DF SS MS F P
Regression 2 314625 157312 64.35 0.000
Total 41 409965

X1 34.44 18.59 1.85
X5 0.29703 0.02688 11.05

y = 576 - 71.5 x2 + 0.000151 x3
Source DF SS MS F P
Regression 2 323915 161957 73.40 0.000
Total 41 409965

X2 -71.50 16.91 -4.23
X3 0.00015123 0.00002940 5.14

y = 1611 - 58.9 x2 - 0.0813 x4
Source DF SS MS F P
Regression 2 357399 178699 132.58 0.000
Lack of Fit 38 52556 1383 132.45 0.069
Pure Error 1 10 10
Total 41 409965

X2 -58.92 12.97 -4.54
X4 -0.081321 0.009851 -8.25

y = 662 - 71.5 x2 + 0.206 x5
Source DF SS MS F P
Regression 2 353562 176781 122.23 0.000
Total 41 409965

X2 -71.54 12.51 -5.72
X5 0.20597 0.02640 7.80
13. Regresi Y terhadap X1, X2, dan X3
Regression Analysis: y versus x1, x2, x3

y = 536 + 16.8 x1 - 67.5 x2 + 0.000155 x3
Source DF SS MS F P
Regression 3 325787 108596 49.02 0.000
Total 41 409965
Source DF Seq SS
x1 1 16111
x2 1 249575
x3 1 60102

X1 16.81 18.28 0.92
X2 -67.49 17.50 -3.86
X3 0.00015477 0.00002971 5.21

y = 1618 - 4.1 x1 - 59.4 x2 - 0.0815 x4
Source DF SS MS F P
Regression 3 357509 119170 86.33 0.000
Total 41 409965

X1 -4.06 14.35 -0.28
X2 -59.35 13.22 -4.49
X4 -0.081527 0.009996 -8.16

y = 630 + 16.0 x1 - 68.2 x2 + 0.209 x5
Source DF SS MS F P
Regression 3 355273 118424 82.28 0.000
Total 41 409965

X1 16.01 14.68 1.09
X2 -68.24 12.84 -5.31
X5 0.20884 0.02647 7.89

y = 21.8 + 34.2 x1 + 0.000042 x3 + 0.249 x5
Source DF SS MS F P
Regression 3 315584 105195 42.35 0.000
Total 41 409965

X1 34.21 18.74 1.83
X3 0.00004207 0.00006771 0.62
X5 0.24880 0.08220 3.03


y = 890 + 12.7 x1 - 0.0697 x4 + 0.166 x5
Source DF SS MS F P
Regression 3 379147 126382 155.83 0.000
Total 41 409965

X1 12.67 10.98 1.15
X4 -0.069714 0.007816 -8.92
X5 0.16642 0.02131 7.81

y = 855 + 9.60 x1 + 0.000136 x3 - 0.0767 x4
Source DF SS MS F P
Regression 3 391874 130625 274.37 0.000
Total 41 409965

X1 9.599 8.384 1.14
X3 0.00013650 0.00001194 11.43
X4 -0.076704 0.005318 -14.42

y = 1618 - 4.1 x1 - 59.4 x2 - 0.0815 x4
Source DF SS MS F P
Regression 3 357509 119170 86.33 0.000
Total 41 409965

X1 -4.06 14.35 -0.28
X2 -59.35 13.22 -4.49
X4 - 0.081527 0.009996 -8.16

y = 536 + 16.8 x1 - 67.5 x2 + 0.000155 x3
S = 47.0660 R-Sq = 79.5% R-Sq(adj) = 77.8%
Source DF SS MS F P
Regression 3 325787 108596 49.02 0.000
Total 41 409965

X1 16.81 18.28 0.92
X2 -67.49 17.50 -3.86
X3 0.00015477 0.00002971 5.21

y = 1073 - 39.6 x2 - 0.0570 x4 + 0.140 x5
Source DF SS MS F P
Regression 3 389582 129861 242.09 0.000
Total 41 409965

X2 -39.631 8.554 -4.63
X4 -0.057038 0.006961 -8.19
X5 0.13950 0.01801 7.75

y = 892 + 0.000167 x3 - 0.0814 x4 - 0.0458 x5
Source DF SS MS F P
Regression 3 391809 130603 273.34 0.000
Total 41 409965

X3 0.00016667 0.00003108 5.36
X4 -0.081422 0.006123 -13.30
X5 -0.04580 0.04233 -1.08
23. Regresi Y terhadap X2, X3 dan X5

y = 838 - 82.3 x2 - 0.000102 x3 + 0.309 x5
Source DF SS MS F P
Regression 3 358185 119395 87.62 0.000
Total 41 409965

X2 -82.27 13.46 -6.11
X3 -0.00010243 0.00005561 -1.84
X5 0.30930 0.06168 5.01
24. Regresi Y terhadap X2, X3 dan X4

y = 974 - 18.8 x2 + 0.000121 x3 - 0.0719 x4
Source DF SS MS F P
Regression 3 393335 131112 299.59 0.000
Total 41 409965

X2 -18.809 8.616 -2.18
X3 0.00012069 0.00001332 9.06
X4 -0.071900 0.005709 -12.59
25. Regresi Y terhadap X1, X2, X3, dan X4
Regression Analysis: y versus x1, x2, x3, x4

y = 956 + 6.74 x1 - 17.5 x2 + 0.000122 x3 - 0.0714 x4
Source DF SS MS F P
Regression 4 393633 98408 222.94 0.000
Total 41 409965
Source DF Seq SS
x1 1 16111
x2 1 249575
x3 1 60102
x4 1 67846

X1 6.738 8.199 0.82
X2 -17.547 8.788 -2.00
X3 0.00012230 0.00001352 9.05
X4 -0.071431 0.005762 -12.40

y = 802 + 13.7 x1 - 78.9 x2 - 0.000097 x3 + 0.307 x5
Source DF SS MS F P
Regression 4 359418 89855 65.77 0.000
Total 41 409965

X1 13.65 14.37 0.95
X2 -78.92 13.93 -5.66
X3 -0.00009743 0.00005593 -1.74
X5 0.30671 0.06182 4.96

y = 874 + 8.59 x1 + 0.000164 x3 - 0.0799 x4 - 0.0404 x5
Source DF SS MS F P
Regression 4 392301 98075 205.43 0.000
Total 41 409965

X1 8.593 8.463 1.02
X3 0.00016376 0.00003120 5.25
X4 -0.079894 0.006302 -12.68
X5 -0.04036 0.04265 -0.95

y = 1056 + 6.38 x1 - 38.7 x2 - 0.0564 x4 + 0.141 x5
Source DF SS MS F P
Regression 4 389849 97462 179.26 0.000
Total 41 409965

X1 6.381 9.104 0.70
X2 -38.681 8.718 -4.44
X4 -0.056381 0.007070 -7.97
X5 0.14141 0.01834 7.71

y = 976 - 19.4 x2 + 0.000117 x3 - 0.0713 x4 + 0.0049 x5
Source DF SS MS F P
Regression 4 393340 98335 218.84 0.000
Total 41 409965

X2 -19.39 10.50 -1.85
X3 0.00011693 0.00004043 2.89
X4 -0.071345 0.008066 -8.85
X5 0.00487 0.04939 0.10
30. Regresi Y terhadap X1, X2, X3, X4 dan X5
Regression Analysis: y versus x1, x2, x3, x4, x5

y = 957 + 6.77 x1 - 18.3 x2 + 0.000117 x3 - 0.0707 x4 + 0.0063 x5
Source DF SS MS F P
Regression 5 393641 78728 173.61 0.000
Total 41 409965

X1 6.774 8.316 0.81
X2 -18.28 10.64 -1.72
X3 0.00011747 0.00004062 2.89
X4 -0.070714 0.008140 -8.69
X5 0.00628 0.04964 0.13
Berdasarkan hasil output diatas, diperoleh :

JKG(X1)=393855 ; JKR(X1)=16111
JKG(X2)=144416 ; JKR(X2)=265550
JKG(X3)=125479 ; JKR(X3)=284486
JKG(X4)=80364 ; JKR(X4)=329601
JKG(X5)=103729 ; JKR(X5)=306236
JKG (X1, X2)=144280 ; JKR(X1, X2)=265685
JKG (X1, X3)=117135 ; JKR(X1, X3)=292831
JKG (X1, X4)=80283 ; JKR(X1, X4)=329682
JKG (X1, X5)=95340 ; JKR(X1, X5)=314625
JKG (X2, X3)=86051 ; JKR(X2, X3)=323915
JKG (X2, X4)=52567 ; JKR(X2, X4)=357399
JKG (X2, X5)=56404 ; JKR(X2, X5)=353562
JKG (X1,X2,X3)=84178 ;JKR (X1,X2,X3)=325787
JKG (X1,X2,X4)=52456 ;JKR (X1,X2,X4)= 357509
JKG (X1,X2,X5)=54692 ;JKR (X1,X2,X5)=355273
JKG (X3,X4,X5)=18156 ; JKR (X3,X4,X5)= 391809
JKG (X1,X2,X3,X4)=16332 ;JKR (X1,X2,X3,X4)=393633
JKG (X1,X2,X3,X5)=50547 ;JKR (X1,X2,X3,X5)=359418
JKG (X1,X3,X4,X5)= 17664 ; JKR (X1,X3,X4,X5)= 392301
JKG (X1,X2, X4, X5)=20116 ; JKR (X1,X2, X4, X5)= 389849
JKG (X2,X3,X4,X5)= 16626; JKR (X2,X3,X4,X5)= 393340
JKG (X1,X2,X3,X4,X5)= 16325 ; JKR (X1,X2,X3,X4,X5)= 393641
JKR (X2|X1)=JKR(X1,X2) - JKR (X1) = 265685-16111=249574
JKR (X3|X1) = JKR (X1,X3)-JKR (X1)=292831-16111=276720
JKR (X4|X1) = JKR(X1,X4)-JKR(X1) =329682-16111=313571
JKR (X5|X1) = JKR(X1,X5)-JKR(X1) = 314625-16111=298514
JKR (X1|X2) = JKR(X1,X2) - JKR(X2) = 265685-265550 =135
JKR (X3|X2) = JKR (X2, X3) - JKR (X2) = 323915-265550=58365
JKR (X4|X2) = JKR (X2, X4) - JKR(X2) =357399-265550=91849
JKR (X5|X2) = JKR (X2,X5) - JKR(X2) =353562-265550=88012
JKR (X3|X1, X2) = JKR(X1,X2,X3) - JKR(X1,X2)= 325787-265685=60102
JKR (X4|X1, X2) = JKR (X1, X2, X4)- JKR (X1, X2) = 357509-265685=91824
JKR (X5|X1, X2) = JKR (X1, X2, X5)- JKR (X1, X2) = 355273-265685=89588
JKR(X4|X1, X2, X3) = JKR(X1, X2, X3, X4)-JKR(X1, X2, X3) = 393633-325787=67846
JKR(X5|X1, X2, X3) = JKR(X1, X2, X3, X5)-JKR(X1, X2, X3) = 359418-325787=33631
JKR(X1|X2,X3,X4,X5) = JKG(X2,X3,X4,X5)- JKG(X1,X2,X3,X4,X5)= 16626-16325=301
JKR(X2|X1,X3,X4,X5) = JKG(X1,X3,X4,X5) - JKG(X1,X2,X3,X4,X5) = 17664-16325=1339
JKR(X3|X1,X2,X4,X5) = JKG(X1,X2,X4,X5) - JKG(X1,X2,X3,X4,X5) =20116-16325=3791
JKR(X4|X1,X2,X3,X5) = JKG(X1,X2,X3, X5) - JKG(X1,X2,X3,X4,X5) =50547-16325=34222
JKR(X5|X1,X2,X3,X4) = JKG(X1,X2,X3, X4) - JKG(X1,X2,X3,X4,X5) =16332-16325=7
JKR(X3X4|X1,X2,X5)= JKG(X1,X2,X5) - JKG(X1,X2,X3,X4,X5)= 54692-16325= 38367
JKR(X1X2|X3,X4,X5)= JKG(X3,X4,X5) - JKG(X1,X2,X3,X4,X5) = 18156-16325=1831
Tabel Anova :
Sumber JK Db KT
Regresi JKR(X1,X2,X3,X4,X5)=393641 5 KTR(X1,X2,X3,X4,X5)=78728.2
X1 JKR(X1)=16111 1 KTR(X1)=16111
X2lX1 JKR(X2lX1)=249574 1 KTR(X2lX1)=249574
X3lX1,X2 JKR(X3lX1,X2)=60102 1 KTR(X3lX1,X2)=60102
X4lX1,X2,X3 JKR(X4lX1,X2,X3)=67846 1 KTR(X4lX1,X2,X3)=67846
X5lX1,X2,X3,X4 JKR(X5lX1,X2,X3,X4)=8 1 KTR(X5lX1,X2,X3,X4)=8
Galat JKG(X1,X2,X3,X4,X5)=16325 n-p=42- KTG(X1,X2,X3,X4,X5)=453.4722
6=36
Total JKT = 409966 n-1=41
 Menguji apakah 𝜷k = 0
a) Permasalahan : Apakah X1 (Inflasi) dapat dihilangkan dari model?
Hipotesis : H0 : β1=0 lawan H1 : β1≠0
Daerah Kritis : H0 ditolak jika F> Fα(dbR-dbF;dbF)
F> F0.05(1;36)
F> 4.11
Statistik Uji :
JKG(R)− JKG (F) JKG (F)
F= ∶
𝑑𝑏𝑅−𝑑𝑏𝐹 𝑑𝑏𝐹
JKR (X1|X2,X3,X4,X5) JKG (X1.X2,X3,X4,X5)
F= ∶
1 36
301 16325
F = 1 ∶ 36 = 0.66376
Keputusan : Terima H0 karena F hitung (0.66376) berada di luar daerah kritis
Kesimpulan : X1 dapat dibuang dari model regresi yang didalamnya terdapat X2, X3, X4,
dan X5
b) Permasalahan : Apakah X2 (Suku Bunga) dapat dihilangkan dari model?

F> F0.05(1;36)
F> 4.11
Statistik Uji :
F= ∶
F= ∶
1 36
1339 16325
F= ∶ = 2.95277
1 36

dan X5
c) Permasalahan : Apakah X3 (Jumlah Uang Beredar) dapat dihilangkan dari model?

F> F0.05(1;36)
F> 4.11
Statistik Uji :
F= ∶
F= ∶
1 36
3791 16325
F = 1 ∶ 36 = 8.3599
Keputusan : Tolak H0 karena F hitung (8.3599) berada di dalam daerah kritis
Kesimpulan : X3 tidak dapat dibuang dari model regresi yang didalamnya terdapat X1, X2,
X4, dan X5
d) Permasalahan : Apakah X4 (Kurs) dapat dihilangkan dari model?

F> F0.05(1;36)
F> 4.11
Statistik Uji :
F= ∶
F= ∶
1 36
34222 16325
F = 1 ∶ 36 = 75.4665
Kesimpulan : X4 tidak dapat dibuang dari model regresi yang didalamnya terdapat X1, X2,
X3, dan X5
e) Permasalahan : Apakah X5 (Harga Emas) dapat dihilangkan dari model?

Hipotesis : H0: β5=0 lawan H1 : β5≠0
F> F0.05(1;36)
F> 4.11
Statistik Uji :
F= ∶
F= ∶
1 36
7 16325
F = 1 ∶ 36 = 0.01543
dan X4
 Menguji apakah beberapa 𝛽 k = 0

a) Permasalahan : Apakah X1 (Inflasi) dan X2 (Suku Bunga) dapat dihilangkan dari model?
Hipotesis : H0 : β1=β2=0 lawan H1 : tidak benar bahwa β1 dan β2 keduanya sama dengan
nol
F> F0.05(2;36)
F> 3.26
Statistik Uji :
F= : 𝑑𝑏𝐹
𝑑𝑏𝑅−𝑑𝑏𝐹
JKR(X1X2|X3,X4,X5) JKG (X1.X2,X3,X4,X5)
F= :
2 36
1831 16325
F= : = 2.01886
2 36

Kesimpulan : X1 dan X2 dapat dibuang dari model regresi yang didalamnya terdapat X3,
X4 dan X5
b) Permasalahan : Apakah X1 (Inflasi) dan X3 (Jumlah Uang Beredar) dapat dihilangkan

dari model?
nol
F> F0.05(2;36)
F> 3.26
Statistik Uji :
F= : 𝑑𝑏𝐹
F= :
2 36
4059 16325
F= : = 4.47546
2 36

Kesimpulan : X1 dan X3 tidak dapat dibuang dari model regresi yang didalamnya terdapat
X2, X4 dan X5
c) Permasalahan : Apakah X1 (Inflasi) dan X4 (Kurs) dapat dihilangkan dari model?

nol

F> F0.05(2;36)
F> 3.26
Statistik Uji :
F= :
F= :
2 36
35456 16325
F= : = 39.09390
2 36

X2, X3 dan X5
d) Permasalahan : Apakah X1 (Inflasi) dan X5 (Harga Emas) dapat dihilangkan dari model?
nol
F> F0.05(2;36)
F> 3.26
Statistik Uji :
F= : 𝑑𝑏𝐹
F= :
2 36
305 16325
F= : = 0.33629
2 36

X3 dan X4
e) Permasalahan : Apakah X2 (Suku Bunga) dan X3 (Jumlah Uang Beredar) dapat

dihilangkan dari model?
nol
F> F0.05(2;36)
F> 3.26
Statistik Uji :
F= : 𝑑𝑏𝐹
F= :
2 36
14493 16325
F= : = 15.98
2 36

X1, X4 dan X5
f) Permasalahan : Apakah X2 (Suku Bunga) dan X4 (Kurs) dapat dihilangkan dari model?
nol
F> F0.05(2;36)
F> 3.26
Statistik Uji :
F= : 𝑑𝑏𝐹
F= :
2 36
78056 16325
F= : = 86.0648
2 36

X1, X3 dan X5
g) Permasalahan : Apakah X2 (Suku Bunga) dan X5 (Harga Emas) dapat dihilangkan dari
model?
nol
F> F0.05(2;36)
F> 3.26
Statistik Uji :
F= : 𝑑𝑏𝐹
F= :
2 36
1767 16325
F= : = 1.94830
2 36

X3 dan X4
h) Permasalahan : Apakah X3 (Jumlah Uang Beredar) dan X4 (Kurs) dapat dihilangkan dari
model?
nol
F> F0.05(2;36)
F> 3.26
Statistik Uji :
F= : 𝑑𝑏𝐹
F= :
2 36
38367 16325
F= : = 42.3035
2 36

X1, X2 dan X5
i) Permasalahan : Apakah X3 (Jumlah Uang Beredar) dan X5 (Harga Emas) dapat

nol
F> F0.05(2;36)
F> 3.26
Statistik Uji :
F= : 𝑑𝑏𝐹
F= :
2 36
36131 16325
F= : = 39.8381
2 36

X1, X2 dan X4
j) Permasalahan : Apakah X4 (Jumlah Uang Beredar) dan X5 (Harga Emas) dapat

Hipotesis : H0 : β4=β5=0 lawan H1: tidak benar bahwa β4 dan β5 keduanya sama dengan
nol
F> F0.05(2;36)
F> 3.26
Statistik Uji :
F= : 𝑑𝑏𝐹
F= :
2 36
67853 16325
F= : = 74.8149
2 36

X1, X2 dan X3
 Menguji apakah semua 𝜷𝒌 = 0

Permasalahan : Apakah Inflasi (X1), suku bunga (X2), jumlah uang beredar, (X3),kurs (X4),
dan harga emas dunia (X5) secara bersama mempengaruhi Jakarta Islamic Index?
Hipotesis : H0 : β1=β2 =β3=β4= β5 =0 lawan H1 : tidak semua β0,β1,β2,β3,β4,dan β5 sama dengan
nol
Daerah Kritis : H0 ditolak jika F > F (0.05;5;36)
F > 2.48
Statistik Uji :
KTR(𝑋1 ,𝑋2 ,𝑋3 ,𝑋4 ,𝑋5 ) 78728.2
𝐹= = = 173.61195
𝐾𝑇𝐺(𝑋1 ,𝑋2 ,𝑋3 ,𝑋4 ,𝑋5 ) 453.472222

Kesimpulan : Inflasi (X1), suku bunga (X2), jumlah uang beredar, (X3),kurs (X4), dan
harga emas dunia (X5) secara bersama mempengaruhi Jakarta Islamic Index
10. Koefisien Determinasi Parsial

 Hitung koefisien determinasi parsial antara y dan X1 jika dalam model sudah
ada X2.
2
r y2.1 = JKR (X2 | X1) / JKG (X1) = 249574 / 393855= 0.63366
Artinya, jika X2 dimasukkan dalam model regresi yang di dalamnya sudah ada X1 maka
JKG (X1) akan berkurang 63.366%
ada X3.
2
r y3.1 = JKR (X3 | X1) / JKG (X1) = 276720/ 393855= 0.7025
JKG (X1) akan berkurang 70.25%.
ada X4.
2
r y4.1 = JKR (X4 | X1) / JKG (X1) = 313571 / 393855= 0.7961
ada X5.
2
r y5.1 = JKR (X5 | X1) / JKG (X1) = 298514/ 393855= 0.7579
ada X1.
2
r y1.2 = JKR (X1 | X2) / JKG (X2) = 135 / 144416= 0.0009347
ada X3.
2
r y3.2 = JKR (X3 | X2) / JKG (X2) =58365/ 144416= 0.4041
ada X4.
2
r y4.2 = JKR (X4 | X2) / JKG (X2) = 91849/ 144416 = 0.636
ada X5.
r2 y5.2 = JKR (X5 | X2) / JKG (X2) = 88012/ 144416 = 0.6094

 Hitung koefisien determinasi parsial antara y dan X1, X2 jika dalam model
sudah ada X3.
2
r y3.12 = JKR (X3 | X1, X2) / JKG (X1, X2) = 60102/ 144280= 0.4165
Artinya, jika X3 dimasukkan dalam model regresi yang di dalamnya sudah ada X1, X2
maka JKG (X1, X2) akan berkurang 41.65%.
sudah ada X4.
2
r y4.12 = JKR (X4 | X1, X2) / JKG (X1, X2) = 91824/ 144280= 0.6364
sudah ada X5.
2
r y5.12 = JKR (X5 | X1, X2) / JKG (X1, X2) =89588/ 144280= 0.6209
 Hitung koefisien determinasi parsial antara y dan X1, X2, X3 jika dalam model
sudah ada X4.
r2 y4.123 = JKR (X4 | X1, X2, X3) / JKG (X1, X2, X3) = 67846/ 84178=0.8059
Artinya, jika X4 dimasukkan dalam model regresi yang di dalamnya sudah ada X1, X2,
X3 maka JKG (X1, X2, X3) akan berkurang 80.59%.
 Hitung koefisien determinasi parsial antara y dan X1, X2, X3 jika dalam model
sudah ada X5.
2
r y5.123 = JKR (X5 | X1, X2, X3) / JKG (X1, X2, X3) = 33631 / 84178=0.3995
Artinya, jika X5 dimasukkan dalam model regresi yang di dalamnya sudah ada X1, X2,
X3 maka JKG (X1, X2, X3) akan berkurang 39.95%.
11. Plot Regresi Parsial
 Plot regresi parsial bagi variabel prediktor X1
̂ = 957 + 6.77 X1 − 18.3 X2 + 0.000117 X3 − 0.0707 X4 + 0.0063 X5

𝒚
Galat dari persamaan regresi diatas kemudian diplotkan terhadap X1 seperti tampak
pada gambar 13.1. Plot galat yang dihasilkan menunjukan bahwa pengaruh
kelengkungan bagi X1 diperlukan didalam model regresi. Untuk mempelajari sifat
pengaruh ini digunakan plot regresi parsial. Kita regresikan Y terhadap X2, X3, X4, X5
dan X1 terhadap X2, X3, X4, X5, sehingga diperoleh hasil estimasi masing-masing
adalah :
̂ = 976 − 19.4 X2 + 0.000117 X 3 − 0.0713 X4 + 0.0049 X5

𝒚
̂𝟏 = 2.77 − 0.163 X2 − 0.000000 X3 − 0.000093 X4 − 0.000207 X5
𝑿
Gambar 13.1
Scatterplot of e(YlX2,X3,X4,X5) vs e(X1lX2,X3,X4,X5)
50
25
e(YlX2,X3,X4,X5)
-25
-50
-0.5 0.0 0.5 1.0
e(X1lX2,X3,X4,X5)
Galat-galat dari persamaan regresi diatas diplotkan satu terhadap lainnya dalam plot
regresi parsial. Plot regresi parsial ini menunjukan sifat hubungan linier positif antara
Y dan X1 bila X2, X3, X4, X5 sudah ada didalam model regresi. Ini menunjukan
bahwa penambahan variabel prediktor X1 ke dalam model regresi Y yang telah
memuat X2, X3, X4, X5 mungkin bisa bermanfaat
̂ = 957 + 6.77 X1 − 18.3 X2 + 0.000117 X3 − 0.0707 X4 + 0.0063 X5

𝒚
adalah :
̂ = 874 + 8.59 X1 + 0.000164 X3 − 0.0799 X4 − 0.0404 X5

𝒚
̂𝟐 = 4.53 − 0.099 X1 − 0.000003 X 3 + 0.000502 X4 + 0.00255 X5

𝑿
Gambar 13.2
50
25
e(YlX1,X3,X4,X5)
-25
-50
-0.50 -0.25 0.00 0.25 0.50 0.75 1.00 1.25
e(X2lX1,X3,X4,X5)
regresi parsial. Plot regresi parsial ini menunjukan sifat hubungan linier negatif antara
Y dan X2 bila X1, X3, X4, X5 sudah ada didalam model regresi. Ini menunjukan
bahwa penambahan variabel prediktor X2 ke dalam model regresi Y yang telah
memuat X1, X3, X4, X5 kurang bermanfaat
̂ = 957 + 6.77 X1 − 18.3 X2 + 0.000117 X3 − 0.0707 X4 + 0.0063 X5

𝒚
adalah :
̂ = 1056 + 6.38 X1 − 38.7 X2 − 0.0564 X4 + 0.141 X5

𝒚
̂
𝑿𝟑 = 843853 − 3344 X1 − 173653 X2 + 122 X4 + 1150 X5
Gambar 13.3

50
25
e(YlX1,X2,X4,X5)
-25
-50
-200000 -100000 0 100000 200000

e(X3lX1,X2,X4,X5)
regresi parsial. Plot regresi parsial ini menunjukan sifat hubungan linier positif antara Y
dan X3 bila X1, X2, X4, X5 sudah ada didalam model regresi. Ini menunjukan bahwa
penambahan variabel prediktor X3 ke dalam model regresi Y yang telah memuat X1, X2,
X4, X5 mungkin bisa bermanfaat
̂ = 957 + 6.77 X1 − 18.3 X2 + 0.000117 X3 − 0.0707 X4 + 0.0063 X5

𝒚
adalah :
̂ = 802 + 13.7 X1 − 78.9 X2 − 0.000097 X3 + 0.307 X 5

𝒚
̂𝟒 = 2184 − 97 X1 + 858 X2 + 0.00304 X3 − 4.25 X5

𝑿
\
Gambar 13.4
50
25
e(YlX1,X2,X3,X5)
-25
-50
-75
-100
-500 0 500 1000
e(X4lX1,X2,X3,X5)
regresi parsial. Plot regresi parsial ini menunjukan sifat hubungan linier negatif antara Y
X3, X5 kurang bermanfaat
̂ = 957 + 6.77 X1 − 18.3 X2 + 0.000117 X3 − 0.0707 X4 + 0.0063 X5

𝒚
adalah :
̂ = 956 + 6.74 X1 − 17.5 X2 + 0.000122 X3 − 0.0714 X 4

𝒚
̂𝟓 = − 198 − 5.8 X1 + 117 X2 + 0.000770 X3 − 0.114 X4

𝑿
Gambar 13.5
50
25
e(YlX1,X2,X3,X5)
-25
-50
-75
-100
-500 0 500 1000
e(X4lX1,X2,X3,X5)
regresi parsial. Plot regresi parsial ini menunjukan sifat hubungan linier negatif antara Y
X3, X4 kurang bermanfaat
12. Identifikasi pencilan

o Diagram pencar regresi dengan variabel prediktor Inflasi (X1)
Scatterplot of y vs x1
600
500
400
y
300
200
-0.5 0.0 0.5 1.0 1.5
x1
o Diagram pencar regresi dengan variabel prediktor Suku Bunga (X2)
600
500
400
y
300
200
6.0 6.5 7.0 7.5 8.0 8.5 9.0

x2
o Diagram pencar regresi dengan variabel prediktor Jumlah Uang Beredar (X3)
600
500
y
400
300
200
2000000 2250000 2500000 2750000 3000000
x3
o Diagram pencar regresi dengan variabel prediktor Kurs (X4)
600
500
400
y
300
200
8000 9000 10000 11000 12000

x4
o Diagram pencar regresi dengan variabel prediktor Harga Emas (X5)
600
500
400
y
300
200
1000 1200 1400 1600 1800
x5
1. Identifikasi pencilan variabel prediktor
Untuk data Pengaruh Inflasi (X1), Suku Bunga (X2), Jumlah Uang Beredar (X3), Kurs
Nilai Tukar Dollar Amerika/Rupiah (X4) dan Harga Emas Dunia (X5) Terhadap Jakarta
Islamic Index (Yi) di Bursa Efek Indonesia diperoleh nilai galat (ei), internally
studentized galat (ri), leverage (hii) dan externally studentized galat (ti) seperti disajikan
pada tabel berikut
No X1 X2 X3 X4 X5 Yi ei ri hii ti
1 -0.07 8.75 1859891 11355 858.69 213.63 -3.61157 -0.22743 0.443885 -0.22441
2 0.21 8.25 1890430 11980 943 214.12 25.92009 1.540851 0.375967 1.572021
3 0.22 7.75 1909681 11575 924.27 236.79 8.598357 0.462844 0.238943 0.457734
4 -0.31 7.5 1905475 10713 890.2 279.87 -9.54935 -0.48481 0.14442 -0.4796
5 0.04 7.25 1917092 10340 928.65 307.14 -17.2032 -0.84218 0.079843 -0.83871
6 0.11 7 1977532 10225 945.67 321.46 -23.2666 -1.13618 0.075238 -1.14093
7 0.45 6.75 1960950 9920 934.23 385.22 14.07155 0.688941 0.080025 0.683828
8 0.56 6.5 1995294 10060 949.38 380.65 9.956407 0.497578 0.117044 0.492314
9 1.05 6.5 2018510 9681 996.59 401.53 -2.30705 -0.11693 0.14151 -0.11531
10 0.19 6.5 2021517 9545 1043.16 383.67 -24.6041 -1.2113 0.090165 -1.21947
11 -0.03 6.5 2062206 9480 1127.04 397.89 -18.7965 -0.94052 0.119211 -0.93897
12 0.33 6.5 2141384 9400 1134.72 417.18 -16.9512 -0.817 0.050669 -0.81314
13 0.84 6.5 2073860 9365 1117.96 427.68 -4.34399 -0.21429 0.093782 -0.21143
14 0.3 6.5 2066481 9335 1095.41 413.73 -15.749 -0.76708 0.070438 -0.76261
15 -0.14 6.5 2111350 9115 1113.34 443.67 -3.76864 -0.1889 0.122271 -0.18635
16 0.15 6.5 2115125 9012 1148.69 474.8 17.44791 0.854941 0.08152 0.851674
17 0.29 6.5 2142339 9180 1205.43 444.6 -5.37354 -0.26102 0.065407 -0.25761
18 0.97 6.5 2230237 9083 1232.92 460.26 -11.6769 -0.57336 0.085367 -0.56794
19 1.57 6.5 2216597 8952 1192.97 483.32 -0.09178 -0.00499 0.255338 -0.00492
20 0.76 6.5 2235497 9041 1215.81 473.79 -0.20473 -0.00994 0.063783 -0.0098
21 0.44 6.5 2271516 8924 1270.98 526.52 41.84201 2.010756 0.045091 2.104318
22 0.06 6.5 2308153 8928 1342.02 540.29 53.71933 2.602876 0.060688 2.848459
23 0.6 6.5 2346801 9013 1369.89 508.78 19.84715 0.952724 0.042988 0.951471
24 0.92 6.5 2469399 8991 1390.55 532.9 25.71285 1.263658 0.086945 1.274572
25 0.89 6.5 2436679 9057 1356.4 477.51 -20.7489 -1.01528 0.078973 -1.01573
26 0.13 6.75 2420191 8823 1372.73 496.87 -6.3828 -0.31595 0.100004 -0.31196
27 -0.32 6.75 2451357 8709 1424 514.92 2.671261 0.13739 0.166358 0.135504
28 -0.31 6.75 2434478 8574 1479.76 528.76 8.529712 0.437147 0.160407 0.432182
29 0.12 6.75 2475286 8537 1512.6 531.38 0.620643 0.030847 0.10731 0.030416
30 0.55 6.75 2522784 8597 1528.66 536.04 0.930346 0.046171 0.10464 0.045527
31 0.67 6.75 2564556 8508 1572.21 567.12 19.72364 0.993929 0.131602 0.993757
32 0.93 6.75 2621346 8578 1757.21 529.16 -22.8802 -1.25198 0.263481 -1.26225
33 0.27 6.75 2643331 8823 1770.95 492.3 -40.6132 -2.15941 0.219959 -2.28214
34 -0.12 6.5 2677787 8835 1665.21 530.19 -7.1867 -0.35744 0.108539 -0.35307
35 0.34 6 2729538 9170 1738.11 520.49 -11.9915 -0.64759 0.243865 -0.64229
36 0.57 6 2877220 9068 1641.84 537.03 -20.9655 -1.04027 0.104269 -1.04149
37 0.76 6 2827570 9193 1652.21 562.53 17.85374 0.889579 0.111729 0.886939
38 0.05 5.75 2849796 9190 1742.14 566.75 18.92517 1.001962 0.213257 1.002018
39 0.07 5.75 2911920 9180 1673.77 584.06 28.52439 1.444725 0.140358 1.467701
40 0.21 5.75 2927259 9175 1649.69 575.09 16.60183 0.839407 0.137374 0.835887
41 0.07 5.75 2992057 9291 1591.19 525.05 -31.5312 -1.71916 0.258168 -1.76929
42 0.62 5.75 3050355 9451 1598.76 544.19 -11.6983 -0.66578 0.319169 -0.66055
𝑝 6
Nilai leverage hii dianggap besar jika memenuhi hii > 2 𝑛 = 2 42 = 0.2857. Dari tabel
diatas diperoleh pencilan terhadap nilai nilai - nilai X pada data ke 1 dengan
h11=0.443885, data ke 2 dengan h22=0.375967 dan data ke 42 dengan h4242=0.319169
2. Identifikasi pencilan data ke respon

Berikut ini diilustrasikan perhitungan externally studentized galat untuk data regresi ini
yang didasarkan pada variabel prediktor X1, X2, X3, X4, X5. Fungsi regresi dugaannya
adalah
ŷi = 956.776 + 6.774 Xi1−18.282Xi2 + 0.000 Xi3 + −0.071 Xi4 + 0.006 Xi5
ŷ1 = 956.776 + 6.774 X11−18.282X12 + 0.000 X13 + −0.071 X14 + 0.006 X15
ŷ1 = 956.776 + 6.774 (-0.07) −18.282 (8.75) + 0.000 (1859891) + (−0.071) (11355) +

0.006(858.69) = 155.24896
Karena Y1 = 213.63 , galat untuk data ke ini adalah e1= 213.63-155.248=58.382.
Nilai JKG=16325 dan nilai h11 = 0.443885, sehingga diperoleh :
𝑛−𝑝−1
𝑡𝑖 = 𝑒𝑖 √
𝐽𝐾𝐺(1 − ℎ𝑖𝑖 ) − 𝑒𝑖2
𝑛−𝑝−1
𝑡1 = 𝑒1 √
𝐽𝐾𝐺(1 − ℎ11 ) − 𝑒12
42 − 6 − 1
𝑡1 = −3.61157√
16325(1 − 0.443885) − (−3.61157)2
𝑡1 = −3.61157 x 0.062135
𝑡1 = −0.224405
Dari tabel distribusi t diperoleh nilai t0.05(35) = 1.69. Berdasarkan pembandingan ini, data ke
21 ,22, dan 33 merupakan pencilan dari nilai Y karena lt21l=2.104318, lt22l=2.848459, dan
lt33l=2.28214
3. Identifikasi Pengamatan Berpengaruh
No DFITS Di
1 -0.20049 0.006881
2 1.220196 0.238403
3 0.256479 0.01121
4 -0.19704 0.006612
5 -0.24706 0.010257
6 -0.32543 0.017504
7 0.201684 0.006881
8 0.179245 0.00547
9 -0.04682 0.000376
10 -0.38389 0.024234
11 -0.34544 0.019954
12 -0.18786 0.005938
13 -0.06801 0.000792
14 -0.20993 0.007431
15 -0.06955 0.000828
16 0.253729 0.010812
17 -0.06815 0.000795
18 -0.17351 0.005114
19 -0.00288 1.43E-06
20 -0.00256 1.12E-06
21 0.457274 0.03182
22 0.72403 0.072954
23 0.201656 0.006795
24 0.393314 0.025343
25 -0.29743 0.014731
26 -0.10399 0.001849
27 0.060532 0.000628
28 0.188905 0.006085
29 0.010546 1.91E-05
30 0.015564 4.15E-05
31 0.386858 0.024952
32 -0.75497 0.093456
33 -1.21186 0.219152
34 -0.1232 0.002593
35 -0.36476 0.022542
36 -0.35534 0.020995
37 0.31456 0.01659
38 0.521688 0.045355
39 0.593058 0.056799
40 0.333571 0.018701
41 -1.04375 0.171426
42 -0.45227 0.034633
 Pengaruh Terhadap Nilai Dugaan -DFITS

Suatu pengamatan dikatakan berpengaruh jika |(DFITS)i|>1 untuk gugus data berukuran
𝑝
kecil dan |(DFITS)i|>2√ ⁄𝑛 untuk gugus data berukuran besar.
𝑝
|(DFITS)i|>2√ ⁄𝑛
|(DFITS)i|>2√6⁄42
|(DFITS)i|>0.7559
Dari tabel diatas, nilai |(DFITS)i| untuk gugus data berukuran besar yang lebih besar dari 0.7559
adalah data ke 2, 33, dan 41 yaitu |(DFITS)2|=1.220196,|(DFITS)33|=1.21186, dan
|(DFITS)41|=1.04375. Sehingga data ke 2, 33, dan 41 berpotensi berpengaruh terhadap model
regresi dan mungkin cukup besar pengaruhnya sehingga mungkin perlu dilakukan remedial.
 Pengaruh Terhadap Koefisien Regresi
Suatu nilai mutlak (DBETAS)k(i) yang besar mengindikasikan pengaruh pengamatan ke-i
yang besar terhadap koefisien regresi βk. Suatu pengamatan dikatakan berpengaruh jika
|(DBETAS)k(i)|>1 untuk gugus data berukuran kecil dan |(DBETAS)k(i)|>2 √𝑛 untuk gugus
data berukuran besar.
|(DBETAS)k(i)|>2√𝑛
|(DBETAS)k(i)|>2√42
|(DBETAS)k(i)|>12.9614
Output SPSS 17 :
Tabel diagnostik pengamatan berpengaruh Jakarta Islamic Index :
DBETAS
̂0
𝛽 ̂1
𝛽 ̂2
𝛽 ̂3
𝛽 ̂4
𝛽 ̂5
𝛽
0.13629 0.00323 -0.15425 -0.09294 0.03948 0.07316
-0.78094 0.19371 0.10182 -0.25318 0.76307 0.40867
-0.12678 0.02823 -0.02535 -0.06333 0.17846 0.08183
0.02839 0.10543 -0.0284 -0.03137 -0.01163 0.04375
-0.00818 0.08101 -0.00572 -0.00394 -0.02077 0.03665
-0.04703 0.09744 0.03707 -0.03186 -0.02584 0.08565
0.07667 0.01583 -0.04929 0.00761 0.00033 -0.05519
0.06961 0.02968 -0.10454 -0.0376 0.06535 0.00171
-0.01327 -0.02971 0.0138 0.00494 -0.00595 0.00282
-0.27732 0.1255 0.22383 0.14066 -0.04596 -0.04172
-0.2365 0.17846 0.22524 0.20286 -0.09192 -0.13488
-0.12293 0.03139 0.08078 0.03977 0.00402 0.00492
-0.03191 -0.03483 0.02815 0.02849 -0.01155 -0.01641
-0.15963 0.04526 0.10017 0.07066 0.00602 -0.01524
-0.04688 0.04658 0.01182 -0.00106 0.02607 0.01672
0.19564 -0.10816 -0.05282 -0.03487 -0.09476 -0.02838
-0.04978 0.01478 0.03531 0.03999 -0.00621 -0.02614
-0.03827 -0.1256 -0.00106 0.00938 0.02728 0.00728
-0.00007 -0.0025 -0.00056 -0.00046 0.0007 0.00061
-0.00082 -0.00128 -0.00031 -0.00041 0.00105 0.00077
0.23891 0.0067 0.04103 0.02813 -0.24239 -0.10165
0.41524 -0.40629 -0.13232 -0.22426 -0.15387 0.14259
0.05499 0.07702 -0.02541 -0.07789 0.00057 0.07202
-0.0832 0.27858 0.16548 0.15422 -0.13977 -0.13268
0.05158 -0.20718 -0.11445 -0.11916 0.10385 0.10918
0.00138 0.03053 -0.06981 -0.05845 0.0829 0.058
0.00618 -0.03971 0.02858 0.02201 -0.03938 -0.02216
0.03716 -0.12481 0.06346 0.01191 -0.09737 -0.0117
0.00048 -0.00303 0.00563 0.00136 -0.0064 -0.00082
-0.00319 0.00379 0.01063 0.00416 -0.00909 -0.00248
-0.09805 0.13567 0.26292 0.09824 -0.20921 -0.05029
0.17414 -0.36485 -0.11472 0.32382 -0.10989 -0.44756
0.2119 -0.00269 0.01539 0.69668 -0.3633 -0.91247
0.01001 0.06514 -0.00939 0.02241 -0.00033 -0.04148
-0.01381 0.00491 0.23139 0.26729 -0.27198 -0.31017
0.14812 -0.08392 -0.03659 -0.17203 -0.01088 0.10317
-0.11656 0.1452 -0.06087 0.01033 0.13104 0.05218
0.03057 -0.14798 -0.35087 -0.26054 0.35459 0.31971
-0.06241 -0.20127 -0.22379 0.06392 0.20199 0.01531
-0.06444 -0.06672 -0.07476 0.11209 0.06657 -0.0661
0.26862 0.2615 -0.07682 -0.71618 0.11743 0.6105
0.19431 -0.07664 -0.07101 -0.32783 0.0248 0.26752
Untuk data gugus besar , tidak ada nilai |(DBETAS)k(i)| yang nilainya melebihi 12.9614
sehingga tidak ada data yang berpotensi berpengaruh terhadap koefisien regresi
4. Cook Destance
1. Data ke 2
Untuk mengevaluasi pengaruh data ke 2 dengan nilai D2 = 0.238403 digunakan
distribusi F padanannya yaitu F(p,n-p)=F(3,36) dengan software minitab :
MTB > cdf 0.238403 k1;
SUBC> f 6 36.
MTB > print k1
Data Display
K1 0.0391253
Oleh karena nilai D2 berada disekitas persentik 3,9%, maka data ke 2 berpengaruh
pada kesesuaian regresi, tetapi besarnya pengaruh tersebut belum cukup besar
untuk melakukan tindakan remedial.
2. Data ke 33
Untuk mengevaluasi pengaruh data ke 33 dengan nilai D33 = 0.219152 digunakan
MTB > cdf 0.219152 k2;
SUBC> f 6 36.
MTB > print k2
Data Display
K2 0.0318557
Oleh karena nilai D33 berada disekitas persentik 3,2%, maka data ke 33
berpengaruh pada kesesuaian regresi, tetapi besarnya pengaruh tersebut belum
cukup besar untuk melakukan tindakan remedial.
3. Data ke 41
Untuk mengevaluasi pengaruh data ke 41 dengan nilai D41 = 0. 171426 digunakan
MTB > cdf 0.171426 k3;
SUBC> f 6 36.
MTB > print k3
Data Display
K3 0.0171541
Oleh karena nilai D41 berada disekitas persentik 1.7 %, maka data ke 41
berpengaruh pada kesesuaian regresi, tetapi besarnya pengaruh tersebut belum
cukup besar untuk melakukan tindakan remedial.
13. Estimasi Kurva
1.Jenis Kurva Linier

Untuk estimasi model regresi dengan jenis kurva linear dari data tersebut, dapat dinyatakan
dalam
𝑌̂ = 𝛽̂0 + 𝛽̂1 𝑋1 + 𝛽̂2 𝑋2 + 𝛽̂3 𝑋3 + 𝛽̂4 𝑋4 + 𝛽̂5 𝑋5
956.78
6.774
̂= −18.28
𝜷
0.00011747
−0.070714
[ 0.00628 ]
Regression Analysis: y versus x1, x2, x3, x4, x5

y = 957 + 6.77 x1 - 18.3 x2 + 0.000117 x3 - 0.0707 x4 + 0.0063 x5
Predictor Coef SE Coef T P

Constant 956.78 86.36 11.08 0.000
x1 6.774 8.316 0.81 0.421
x2 -18.28 10.64 -1.72 0.094
x3 0.00011747 0.00004062 2.89 0.006
x4 -0.070714 0.008140 -8.69 0.000
x5 0.00628 0.04964 0.13 0.900
S = 21.2947 R-Sq = 96.0% R-Sq(adj) = 95.5%
Source DF SS MS F P
Regression 5 393641 78728 173.61 0.000
Total 41 409965
Source DF Seq SS
x1 1 16111
x2 1 249575
x3 1 60102
x4 1 67846
x5 1 7
Unusual Observations
Obs x1 y Fit SE Fit Residual St Resid

1 -0.07 213.63 217.24 14.19 -3.61 -0.23 X
21 0.44 526.52 484.68 4.52 41.84 2.01R
22 0.06 540.29 486.57 5.25 53.72 2.60R
33 0.27 492.30 532.91 9.99 -40.61 -2.16R
Maka estimasi kurva linier nya adalah :
𝑌̂ = 957 + 6.77x1 − 18.3 x2 + 0.000117 x3 − 0.0707 x4 + 0.0063 x5
2.Jenis Kurva Logarithmic

Untuk estimasi model regresi dengan jenis kurva logarithmic dari data tersebut, dapat dinyatakan
dalam
𝑌̂ = 𝛽̂0 + 𝛽̂1 ln(𝑋1 ) + 𝛽̂2 ln ( 𝑋2 ) + 𝛽̂3 ln( 𝑋3 ) + 𝛽̂4 ln( 𝑋4 ) + 𝛽̂5 ln( 𝑋5 )
Output :
MTB > let c11 = loge(x1)

let c11 = loge(x1)
A
* WARNING * Negative values for sqrt, log or ** at A
* WARNING * Missing returned 7 times
Karena ada data pada X1 yang kurang dari 0 atau bernilai negatif, maka ln X1 ada yang
tidak terdefinisi sehingga model regresi ini tidak dapat diestimasi dengan jenis kurva
Logarithmic
3.Jenis Kurva Invers

dalam
𝑌̂ = 𝛽̂0 + 𝛽̂1 /𝑋1 + 𝛽̂2 /𝑋2 + 𝛽̂3 /𝑋3 + 𝛽̂4 /𝑋4 + 𝛽̂5 /𝑋5
Proses pengerjaan pada minitab :
MTB > let c11 = 1/x1
Sehingga menghasilkan output sebagai berikut :

1/x1 1/x2 1/x3 1/x4 1/x5
-14.28571429 0.114285714 5.37666E-07 8.80669E-05 0.001164565
4.761904762 0.121212121 5.2898E-07 8.34725E-05 0.001060445
4.545454545 0.129032258 5.23648E-07 8.63931E-05 0.001081935
-3.225806452 0.133333333 5.24804E-07 9.33445E-05 0.001123343
25 0.137931034 5.21623E-07 9.67118E-05 0.001076832
9.090909091 0.142857143 5.05681E-07 9.77995E-05 0.001057451
2.222222222 0.148148148 5.09957E-07 0.000100806 0.0010704
1.785714286 0.153846154 5.01179E-07 9.94036E-05 0.001053319
0.952380952 0.153846154 4.95415E-07 0.000103295 0.001003422
5.263157895 0.153846154 4.94678E-07 0.000104767 0.000958626
-33.33333333 0.153846154 4.84918E-07 0.000105485 0.00088728
3.03030303 0.153846154 4.66988E-07 0.000106383 0.000881275
1.19047619 0.153846154 4.82193E-07 0.000106781 0.000894486
3.333333333 0.153846154 4.83914E-07 0.000107124 0.0009129
-7.142857143 0.153846154 4.73631E-07 0.000109709 0.000898198
6.666666667 0.153846154 4.72785E-07 0.000110963 0.000870557
3.448275862 0.153846154 4.6678E-07 0.000108932 0.000829579
1.030927835 0.153846154 4.48383E-07 0.000110096 0.000811083
0.636942675 0.153846154 4.51142E-07 0.000111707 0.000838244
1.315789474 0.153846154 4.47328E-07 0.000110607 0.000822497
2.272727273 0.153846154 4.40235E-07 0.000112057 0.000786794
16.66666667 0.153846154 4.33247E-07 0.000112007 0.000745145
1.666666667 0.153846154 4.26112E-07 0.000110951 0.000729986
1.086956522 0.153846154 4.04957E-07 0.000111222 0.00071914
1.123595506 0.153846154 4.10395E-07 0.000110412 0.000737246
7.692307692 0.148148148 4.13191E-07 0.00011334 0.000728475
-3.125 0.148148148 4.07937E-07 0.000114824 0.000702247
-3.225806452 0.148148148 4.10766E-07 0.000116632 0.000675785
8.333333333 0.148148148 4.03994E-07 0.000117137 0.000661113
1.818181818 0.148148148 3.96387E-07 0.00011632 0.000654168
1.492537313 0.148148148 3.89931E-07 0.000117536 0.000636047
1.075268817 0.148148148 3.81483E-07 0.000116577 0.000569084
3.703703704 0.148148148 3.78311E-07 0.00011334 0.000564669
-8.333333333 0.153846154 3.73443E-07 0.000113186 0.000600525
2.941176471 0.166666667 3.66362E-07 0.000109051 0.000575338
1.754385965 0.166666667 3.47558E-07 0.000110278 0.000609073
1.315789474 0.166666667 3.53661E-07 0.000108778 0.00060525
20 0.173913043 3.50902E-07 0.000108814 0.000574007
14.28571429 0.173913043 3.43416E-07 0.000108932 0.000597454
4.761904762 0.173913043 3.41617E-07 0.000108992 0.000606174
14.28571429 0.173913043 3.34218E-07 0.000107631 0.00062846
1.612903226 0.173913043 3.27831E-07 0.000105809 0.000625485
Regression Analysis: y versus 1/x1, 1/x2, 1/x3, 1/x4, 1/x5

y = - 212 + 0.425 1/x1 + 1475 1/x2 - 6.38E+08 1/x3 + 6642729 1/x4 + 13217 1/x5

Constant -212.5 101.0 -2.10 0.042
1/x1 0.4247 0.3411 1.24 0.221
1/x2 1475.0 390.9 3.77 0.001
1/x3 -638372084 247252185 -2.58 0.014
1/x4 6642729 775151 8.57 0.000
1/x5 13217 92614 0.14 0.887
S = 18.9002 R-Sq = 96.9% R-Sq(adj) = 96.4%
Source DF SS MS F P
Regression 5 397106 79421 222.33 0.000
Total 41 409965
Source DF Seq SS
1/x1 1 11247
1/x2 1 242459
1/x3 1 82536
1/x4 1 60856
1/x5 1 7
Obs 1/x1 y Fit SE Fit Residual St Resid

2 4.8 214.12 199.16 12.66 14.96 1.07 X
11 -33.3 397.89 403.18 13.85 -5.29 -0.41 X
21 2.3 526.52 489.15 3.94 37.37 2.02R
22 16.7 540.29 498.84 6.73 41.45 2.35R
41 14.3 525.05 560.03 8.72 -34.98 -2.09R
R denotes an observation with a large standardized residual.

X denotes an observation whose X value gives it large leverage.
Maka estimasi kurva invers nya adalah :
𝑌̂ = − 212 + 0.425 /x1 + 1475/x2 − 6.38E + 08 /x3 + 6642729 /x4 + 13217 /x5
4.Jenis Kurva Quadratic

dalam
𝑌̂ = 𝛽̂0 + 𝛽̂1 𝑋1 + 𝛽̂2 𝑋2 + 𝛽̂3 𝑋3 + 𝛽̂4 𝑋4 + 𝛽̂5 𝑋5 + 𝛽̂1 𝑋12 + 𝛽̂2 𝑋22 + 𝛽̂3 𝑋32 + 𝛽̂4 𝑋42 + 𝛽̂5 𝑋52
Proses pengerjaan pada minitab :

MTB > let c14 = x1^2
Output :
Regression Analysis: y versus x1, x2, ...

y = 3235 + 7.1 x1 - 269 x2 + 0.00116 x3 - 0.514 x4 - 0.493 x5 - 8.3 x1^2
+ 15.1 x2^2 - 0.000000 x3^2 + 0.000022 x4^2 + 0.000130 x5^2

Constant 3235 1261 2.56 0.015
x1 7.11 14.84 0.48 0.635
x2 -269.3 113.2 -2.38 0.024
x3 0.0011604 0.0005358 2.17 0.038
x4 -0.5137 0.1793 -2.86 0.007
x5 -0.4932 0.3955 -1.25 0.222
x1^2 -8.29 13.56 -0.61 0.545
x2^2 15.111 7.732 1.95 0.060
x3^2 -0.00000000 0.00000000 -2.00 0.054
x4^2 0.00002233 0.00000864 2.58 0.015
x5^2 0.0001300 0.0001188 1.09 0.282
S = 18.4684 R-Sq = 97.4% R-Sq(adj) = 96.6%
Source DF SS MS F P
Regression 10 399392 39939 117.10 0.000
Total 41 409965
Source DF Seq SS
x1 1 16111
x2 1 249575
x3 1 60102
x4 1 67846
x5 1 7
x1^2 1 38
x2^2 1 505
x3^2 1 2796
x4^2 1 2004
x5^2 1 409
Obs x1 y Fit SE Fit Residual St Resid

1 -0.07 213.63 215.27 18.11 -1.64 -0.45 X
22 0.06 540.29 495.14 6.27 45.15 2.60R

Maka estimasi kurva quadratic nya adalah :
𝑌̂ = 3235 + 7.1𝑋1 − 269𝑋2 + 0.00116𝑋3 − 0.514𝑋4 − 0.493𝑋5 − 8.3𝑋12 + 15.1𝑋22

− 0.000000𝑋32 + 0.000022𝑋42 + 0.000130𝑋52
5.Jenis Kurva Compound

Untuk estimasi model regresi dengan jenis kurva logarithmic dari data tersebut, dapat
dinyatakan dalam
̂0∗ + 𝛽
̂∗ = 𝛽
𝒀 ̂1∗ 𝑋1 + 𝛽
̂2∗ 𝑋2 + 𝛽
̂3∗ 𝑋3 + 𝛽
̂4∗ 𝑋4 + 𝛽
̂5∗ 𝑋5
Output :
Regression Analysis: ln y versus x1, x2, x3, x4, x5

ln y = 8.19 + 0.0176 x1 - 0.0969 x2 + 0.000000 x3 - 0.000204 x4 + 0.000002 x5

Constant 8.1867 0.1621 50.50 0.000
x1 0.01759 0.01561 1.13 0.267
x2 -0.09690 0.01997 -4.85 0.000
x3 0.00000019 0.00000008 2.54 0.016
x4 -0.00020360 0.00001528 -13.32 0.000
x5 0.00000235 0.00009318 0.03 0.980
S = 0.0399724 R-Sq = 98.0% R-Sq(adj) = 97.7%
Source DF SS MS F P
Regression 5 2.75094 0.55019 344.34 0.000
Residual Error 36 0.05752 0.00160
Total 41 2.80846
Source DF Seq SS
x1 1 0.14090
x2 1 1.84959
x3 1 0.20782
x4 1 0.55263
x5 1 0.00000
Obs x1 ln y Fit SE Fit Residual St Resid

1 -0.07 5.36425 5.38739 0.02663 -0.02314 -0.78 X
22 0.06 6.29211 6.18962 0.00985 0.10249 2.65R

Maka estimasi kurva compound nya adalah :
̂∗ = 8.19 + 0.0176 𝑋1 − 0.0969 𝑋2 + 0.000000 𝑋3 − 0.000204 𝑋4 + 0.000002 𝑋5

𝒀
7. Jenis Kurva Power

dinyatakan dalam
̂0∗ + 𝛽
̂∗ = 𝛽
𝒀 ̂1∗ ln(𝑋1 ) + 𝛽
̂2∗ (𝑋2 ) + 𝛽
̂3∗ 𝑋3 + 𝛽
̂4∗ 𝑋4 + 𝛽
̂5∗ 𝑋5
Perhitungan pada minitab :

MTB > let c29 = loge(x1)
let c29 = loge(x1)
A
* WARNING * Negative values for sqrt, log or ** at A
* WARNING * Missing returned 7 times
Karena ada data pada X1 yang kurang dari 0 atau bernilai negatif, maka ln X1 ada yang
tidak terdefinisi sehingga model regresi ini tidak dapat diestimasi dengan jenis kurva
Power
8. Jenis Kurva S
dinyatakan dalam
̂∗ = 𝛽̂0 + 𝛽̂1 /𝑋1 + 𝛽̂2 /𝑋2 + 𝛽̂3 /𝑋3 + 𝛽̂4 /𝑋4 + 𝛽̂5 /𝑋5
𝒀
Output :
Regression Analysis: ln y versus 1/x1, 1/x2, 1/x3, 1/x4, 1/x5

ln y = 3.29 + 0.000899 1/x1 + 6.10 1/x2 - 1059155 1/x3 + 20916 1/x4 + 118 1/x5

Constant 3.2904 0.1933 17.02 0.000
1/x1 0.0008988 0.0006529 1.38 0.177
1/x2 6.0969 0.7481 8.15 0.000
1/x3 -1059155 473235 -2.24 0.031
1/x4 20916 1484 14.10 0.000
1/x5 117.8 177.3 0.66 0.510
S = 0.0361745 R-Sq = 98.3% R-Sq(adj) = 98.1%
Source DF SS MS F P
Regression 5 2.76135 0.55227 422.03 0.000
Residual Error 36 0.04711 0.00131
Total 41 2.80846
Source DF Seq SS
1/x1 1 0.06318
1/x2 1 1.77107
1/x3 1 0.35122
1/x4 1 0.57530
1/x5 1 0.00058
Obs 1/x1 ln y Fit SE Fit Residual St Resid

2 4.8 5.36654 5.34430 0.02422 0.02224 0.83 X
11 -33.3 5.98618 5.99571 0.02650 -0.00953 -0.39 X
22 16.7 6.29211 6.21504 0.01288 0.07706 2.28R
41 14.3 6.26349 6.33486 0.01668 -0.07136 -2.22R

Maka estimasi kurva S nya adalah :
̂∗ = 3.29 + 0.000899/X1 + 6.10/X2 − 1059155/X3 + 20916/X 4 + 118/X5

𝒀
9. Jenis Kurva Growth

dinyatakan dalam
̂∗ = 𝛽̂0 + 𝛽̂1 𝑋1 + 𝛽̂2 𝑋2 + 𝛽̂3 𝑋3 + 𝛽̂4 𝑋4 + 𝛽̂5 𝑋5
𝒀
Output :
Regression Analysis: ln y versus x1, x2, x3, x4, x5

ln y = 8.19 + 0.0176 x1 - 0.0969 x2 + 0.000000 x3 - 0.000204 x4 + 0.000002 x5

Constant 8.1867 0.1621 50.50 0.000
x1 0.01759 0.01561 1.13 0.267
x2 -0.09690 0.01997 -4.85 0.000
x3 0.00000019 0.00000008 2.54 0.016
x4 -0.00020360 0.00001528 -13.32 0.000
x5 0.00000235 0.00009318 0.03 0.980
S = 0.0399724 R-Sq = 98.0% R-Sq(adj) = 97.7%
Source DF SS MS F P
Regression 5 2.75094 0.55019 344.34 0.000
Residual Error 36 0.05752 0.00160
Total 41 2.80846
Source DF Seq SS
x1 1 0.14090
x2 1 1.84959
x3 1 0.20782
x4 1 0.55263
x5 1 0.00000
Obs x1 ln y Fit SE Fit Residual St Resid

1 -0.07 5.36425 5.38739 0.02663 -0.02314 -0.78 X
22 0.06 6.29211 6.18962 0.00985 0.10249 2.65R

Maka estimasi kurva growth nya adalah :
̂∗ = 8.19 + 0.0176 X1 − 0.0969 X2 + 0.000000 X3 − 0.000204 X4 + 0.000002 X5

𝒀
No Jenis Kurva MSE R-Square
1 Linier 435 0.96
2 Invers 357 0.969

3 Quadratic 341 0.974
4 Compound 0.00160 0.98
5 S 0.00131 0.983
6 Growth 0.00160 0.98
Kesimpulan : Dari data yang kita dapatkan, Jenis kurva terbaik yang dapat digunakan
untuk mengestimasi model regresi dari data ini adalah jenis kurva S, karena jenis kurva S
mempunya nilai MSE terkecil dibandingkan jenis kurva lain dan mempunyai R-Square
yang terbesar pula dibandingkan jenis kurva lainnya

Analisis Regresi Linier Berganda

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Analisis Regresi Linier Berganda

Uploaded by

Copyright:

Available Formats

Tugas Individu

"Mengolah Data Regresi Linier Berganda Menggunakan Software

Ninda Ayu Puspita Rahmayanti (081511833006)

Program Studi S1 Statistika

Fakultas Sains dan Teknologi

Data dan Sumber Data

Variabel yang digunakan dalam skripsi ini yaitu:

1. Inflasi Sebagai Variabel Prediktor (X1).

Proses Analisis Data

1. Uji Normalitas Residual

One-Sample Kolmogorov-Smirnov Test

Normal Parametersa,,b Mean .0000000

Std. Deviation 19.95407060

Most Extreme Differences Absolute .100

Asymp. Sig. (2-tailed) .790

a. Tes t distribution is Normal.

b. Calculated from data.

2. Menghitung Koefisien Determinasi

Std. Error of the

1 .980a .960 .955 21.29473

a. Predictors: (Constant), Emas, Inflasi, SukuBunga, Kurs, JUB

b. Dependent Variable: JII

Berdasarkan data diatas, bentuk model regresi linier berganda adalah:

yi= β0 + β1Xi1 + β2Xi2+ β3Xi3 + …+ β5Xi5 + εi ; i = 1,2,…,42. (1.1)

 yi adalah variabel respon pada pengamatan ke 1-42.

 Xi1,Xi2,…, Xi,5 adalah variabel prediktor pada pengamatan ke i.

 β0, βi1,…, β5 adalah parameter model regresi linier berganda.

 𝑦 = [213.63 214.12 236.79 … 544.19]

 𝑋1 = [−0.07 0.21 0.22 … 0.62]

 𝑋2 = [8.75 8.25 7.75 … 5.75]

 𝑋3 = [1859891 1890430 … 3050355]

 𝑋4 = [11355 11980 11575 … 9451]

 𝑋5 = [858.69 943 924.27 … 1598.76]

 𝜀42𝑥1 = [𝜀1 𝜀2 𝜀3 … 𝜀42 ]

Mengestimasi model regresi linier berganda pada identik dengan mengestimasi

16.4465 −0.421975 −1.13164 −0.0000031 −0.0003191 0.0010765 1.92889𝐸 + 04

̂𝑖 = 956.776 + 6.774 Xi1−18.282Xi2 + 0.000 Xi3 + −0.071 Xi4 + 0.006 Xi5

Model Sum of Squares df Mean Square F Sig.

1 Regression 393640.561 5 78728.112 173.614 .000a

Residual 16324.762 36 453.466

a. Predictors: (Constant), Emas, Inflasi, SukuBunga, Kurs, JUB

b. Dependent Variable: JII

5. Interval Kepercayaan Uji Serempak

16. 𝟒𝟒𝟔𝟓 −0.421975 −1.13164 −0.0000031 −0.0003191 0.0010765

t(α/2g ; n-p) = t(0.05/12 ; 36) =2.719

1. Selang kepercayaan 95% untuk paramater 𝛽1

2. Selang kepercayaan 95% untuk paramater 𝛽2

3. Selang kepercayaan 95% untuk paramater 𝛽3

4. Selang kepercayaan 95% untuk paramater 𝛽4

Hasil output minitab :

1 Emas, Inflasi, . Enter

a. All requested variables entered.

Adjusted R Std. Error of the

1 .980a .960 .955 21.29473

a. Predictors: (Constant), Emas, Inflasi, SukuBunga, Kurs, JUB

b. Dependent Variable: JII

Model Sum of Squares df Mean Square F Sig.

1 Regression 393640.561 5 78728.112 173.614 .000a

Residual 16324.762 36 453.466

b. Dependent Variable: JII

Model B Std. Error Beta

1 (Constant) 956.776 86.359 11.079 .000

Inflasi 6.774 8.316 .028 .815 .421

SukuBunga -18.282 10.638 -.111 -1.719 .094