ANALISIS REGRESI LINEAR BERGANDA DENGAN METODE ENTER DAN METODE FORWARD

BAB I
PENDAHULUAN

Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui pengaruh antara satu atau beberapa variabel terhadap satu buah variabel. Variabel yang mempengaruhi sering disebut variabel bebas, variabel independen atau variabel penjelas. Variabel yang dipengaruhi sering disebut dengan variabel terikat atau variabel dependen. Regresi linear hanya dapat digunakan pada skala interval dan ratio.

Analisis regresi linear berganda sebenarnya sama dengan analisis regresi linear sederhana, hanya variabel bebasnya lebih dari satu buah. Persamaan umumnya adalah:

Y = a + b₁ X₁ + b₂ X₂ + .... + b_n X_n.

Dengan Y adalah variabel bebas, dan X adalah variabel-variabel bebas, a adalah konstanta (intersept) dan b adalah koefisien regresi pada masing-masing variabel bebas. Interpretasi terhadap persamaan juga relatif sama, sebagai ilustrasi, pengaruh antara motivasi (X1), kompensasi (X2) dan kepemimpinan (X3) terhadap kepuasan kerja (Y) menghasilkan persamaan sebagai berikut:

Y = 0,235 + 0,21 X1 + 0,32 X2 + 0,12 X3

1.    Jika variabel motivasi meningkat dengan asumsi variabel kompensasi dan kepemimpinan tetap, maka kepuasan kerja juga akan meningkat

2.    Jika variabel kompensasi meningkat, dengan asumsi variabel motivasi dan kepemimpinan tetap, maka kepuasan kerja juga akan meningkat.

3.    Jika variabel kepemimpinan meningkat, dengan asumsi variabel motivasi dan kompensasi tetap, maka kepuasan kerja juga akan meningkat.

Interpretasi terhadap konstanta (0,235) juga harus dilakukan secara hati-hati. Jika pengukuran variabel dengan menggunakan skala Likert antara 1 sampai dengan 5 maka tidak boleh diinterpretasikan bahwa jika variabel motivasi, kompensasi dan kepemimpinan bernilai nol, karena ketiga variabel tersebut tidak mungkin bernilai nol karena Skala Likert terendah yang digunakan adalah 1.

Ada beberapa metode dalam penggunaan didalam SPSS yaitu:

Metode ENTER, Metode enter adalah memasukkan semua prediktor ke dalam analisis sekaligus. Perhatikan hasil analisis melalui SPSS. Semua prediktor dimasukkan secara simultan.

Metode STEPWISE, Metode stepwise adalah memasukkan prediktor secara bertahap berdasarkan nilai F yang signifkan (sig F di bawah 0.05). Setelah dimasukkan lalu dikeluarkan lagi. Proses memasukkan dikombinasikan dengan mengeliminasi prediktor yang tidak signifikan (sig F di atas 0.01).

Metode FORWARD, Metode forward adalah memasukkan prediktor secara bertahap berdasarkan korelasi parsial terbesar. Proses tersebut dihentikan ketika prediktor-prediktor baru tidak bisa meningkatkan sumbangan efektif secara signifikan (sig di bawah 0.05).

Perhatikan keluaran analisis SPSS, dukungan sosial masuk terlebih kemudian diikuti oleh kompetensi. Dukungan sosial memiliki korelasi parsial tertinggi kemudian diikuti oleh kompetensi.

Ketahanan dan kompensasi tidak dimasukkan karena menambahkannya tidak membawa peningkatan sumbangan efektif yang berarti.

Metode BACKWARD, Metode backward, adalah memasukkan prediktor semuanya kemudian mengeliminasi satu persatu hingga tersiswa prediktor yang signifikan saja. Eliminasi didasarkan pada prediktor yang memiliki nilai sig F yang di atas 0.1 (lihat tabel di bawah).

BAB II

DESKRIPSI KERJA

2.1 Studi Kasus

Pada praktikum kali ini praktikan diminta untuk mengolah data dengan melakukan pengujian apakah ada pengaruh antara variabel lama kerja (bulan), pendapatan, harga rumah dan harga kendaraan terhadap umur seseorang dengan menggunakan 2 metode dalam eliminasi variabel, metode pertama menggunakan metode Enter dan metode kedua menggunakan metode Forward.

2.2 Langkah Penyelesaian

Berikut adalah deskripsi dari langkah kerja yang digunakan praktikan:

1.    Praktikan membuka program aplikasi SPSS sebagai berikut.

Gambar 2.2.1 Mencari Aplikasi SPSS

2.    Setelah masuk kedalam aplikasi SPSS dengan menentukan variabel view terlebih dahulu seperti berikut.

Gambar 2.2.2 Tampilan Variabel View

3.    Praktikan memasukkan input data seperti pada gambar berikut.

Gambar 2.2.3 Tampilan Input Data

4.    Pertama, melihat grafik hubungan menggunakan scatter plot dengan langkah awal memilih pada menu Graph.

Gambar 2.2.4 Mencari Scatter Plot

5.    Memilih bentuk Scatter lalu Define seperti pada gambar berikut.

Gambar 2.2.5 Tampilan Scatter

6.    Memasukkan variabel pada Scatterplot Matrix.

Gambar 2.2.6 Tampilan Scatterplot Matrix

7.    Kemudian akan muncul output pada SPSS.

8.    Pertama menguji korelasi dengan langkah Analyze à Correlate à Bivariate.

Gambar 2.2.7 Tampilan Analyze

9.    Lalu memasukkan variabelnya seperti gambar berikut.

Gambar 2.2.8 Tampilan Bivarate Correlation

10.    Klik OK maka akan muncul tamplan output pada SPSS.

11.    Dengan menggunakan metode Enter yakni mencari hubungan pengaruh antar variabel dengan langkah memilih Analyze à Regression à Linear.

 Gambar 2.2.9 Tampilan Analyze

12.    Kemudian memasukkan variabel nya seperti pada gambar berikut.

Gambar 2.2.10  Tampilan Linear Regression

13. Memilih submenu Statistics dengan menandai Estimates, Model fit dan Collinearity diagnostics lalu klik Continue seperti berikut.

Gambar 2.2.11 Tampilan Statistics

14. Memilih submenu Save dengan menandai Unstandardize pada Residuals lalu klik continue seperti berikut.

Gambar 2.2.12 Tampilan Save

15.    Memilih submenu option, menentukan taraf nyata (alpha) pada kotak Use probability of F, yaitu 0,05 dengan menandai Include constant in equation lalu Continue dan OK.

Gambar 2.2.13 Tampilan Option

16.    Setelah langkah-langkah tersebut selesai, maka akan muncul tampilan output pada SPSS.

17.     Kedua, dengan menggunakan metode Forward dengan langkah memilih Analyze à Regression à Linear.

 Gambar 2.2.14 Tampilan Analyze

18. Kemudian memasukkan variabel nya seperti pada gambar berikut.

 

Gambar 2.2.15 Tampilan Linear Regression

19. Memilih submenu Statistics dengan menandai Estimates, Model fit dan Collinearity diagnostics lalu klik Continue seperti berikut.

Gambar 2.2.16 Tampilan Statistics

20. Memilih submenu Save dengan menandai Unstandardize pada Residuals lalu klik continue seperti berikut.

Gambar 2.2.17 Tampilan Save

21. Memilih submenu option, menentukan taraf nyata (alpha) pada kotak Use probability of F, yaitu 0,05 dengan menandai Include constant in equation lalu Continue dan OK.

Gambar 2.2.18 Tampilan Option

22. Setelah langkah-langkah tersebut selesai, maka akan muncul tampilan output pada SPSS.

BAB III

PEMBAHASAN

Praktikan akan membahas atau menerangkan tentang proses mengolah data dengan melakukan pengujian apakah ada pengaruh antara variabel lama kerja (bulan), pendapatan, harga rumah dan harga kendaraan terhadap umur seseorang dengan menggunakan 2 metode dalam eliminasi variabel, metode pertama menggunakan metode Enter dan metode kedua menggunakan metode Forward.  Pertama, melihat grafik hubungan antar variabel menggunakan Scatter Plot yang telah dipraktikkan. Berikut ini output dan penjelasannya:

Gambar 3.1 Tampilan Output Scatter Plot

Output tersebut menunjukkan bahwa antar variabel mempunyai hubungan yang kuat. Dapat dilihat secara rinci seperti berikut:

1. Umur dengan umur, lama kerja dengan lama kerja, pendapatan dengan pendapatan, harga rumah dengan harga rumah dan harga kendaraan dengan harga kendaraan tidak mempunyai korelasi atau nilainya 0 karena jika variabel dihuubungkan dengan variabel itu sendiri tidak ada nilainya.

2. Umur dengan lama kerja, umur dengan pendapatan, umur dengan harga rumah dan umur dengan harga kendaraan mempunyai korelasi yang kuat karena dapat dilihat plot yang tertera berkumpul saling berdekatan, walaupun ada nilai yang outlier tetapi nilai tersebut tidak berpengaruh untuk membentuk suatu garis regresi.

3. Lama kerja dengan umur, lama kerja dengan pendapatan, umur dengan harga rumah dan umur dengan harga kendaraan mempunyai korelasi yang kuat karena dapat dilihat plot yang tertera berkumpul saling berdekatan, walaupun ada nilai yang outlier tetapi nilai tersebut tidak berpengaruh untuk membentuk suatu garis regresi.

4. Pendapatan dengan umur, pendapatan dengan lama kerja, pendapatan dengan harga kendaraan mempunyai korelasi yang kuat karena dapat dilihat plot yang tertera berkumpul saling berdekatan, dan pendapatan dengan harga rumah mempunyai korelasi yang sangat kuat karena persamaan garis regresinya membentuk garis yang lurus atau dengan mempunyai nilai error yang sedikit.

5. Harga kendaraaan dengan umur, harga kendaraaan dengan lama kerja, harga kendaraaan dengan pendapatan dan harga kendaraan dengan harga rumah mempunyai korelasi yang kuat karena dapat dilihat plot yang tertera berkumpul saling berdekatan.

            Kedua, menguji nilai korelasi antar variabel (Metode Enter) dengan output dan menggunakan hipotesis sebaagai berikut:

Correlations
		Umur	Lama_Kerja	Pendapatan	Harga_Rumah	Harga_Kendaraan
Umur	Pearson Correlation	1	,259**	,197*	,307**	,149
	Sig. (2-tailed)		,007	,041	,001	,124
	N	108	108	108	108	108
Lama_Kerja	Pearson Correlation	,259**	1	,074	,126	,107
	Sig. (2-tailed)	,007		,444	,195	,272
	N	108	108	108	108	108
Pendapatan	Pearson Correlation	,197*	,074	1	,948**	,404**
	Sig. (2-tailed)	,041	,444		,000	,000
	N	108	108	108	108	108
Harga_Rumah	Pearson Correlation	,307**	,126	,948**	1	,354**
	Sig. (2-tailed)	,001	,195	,000		,000
	N	108	108	108	108	108
Harga_Kendaraan	Pearson Correlation	,149	,107	,404**	,354**	1
	Sig. (2-tailed)	,124	,272	,000	,000
	N	108	108	108	108	108

Gambar 3.2 Tampilan Output Uji Korelasi

Korelasi digunakan untuk meguji ada/tidaknya hubungan serta arah hubungan dari dua variabel atau lebih. Korelasi nilainya antara -1 sampai dengan 1. Korelasi umur dengan umur bernilai 1, umur dengan lama kerja bernilai -0,259, umur dengan pendapatan bernilai -0,197, umur dengan harga rumah bernilai -0.307 dan umur dengan hargakendaraan bernilai 0,149. Berikut hipotesisnya:

Ø  Hipotesis

Ho       : ρı = ρ2 = 0 (Tidak ada korelasi)

Hı        : ρi ≠ 0 (Ada korelasi)

Ø  Tingkat Kepercayaan

α  = 5%

Ø  Daerah Kritis

Tolak Ho jika ρ-value ≤ α

Ø  Statistika Uji

Variabel	ρ-value	α	Keputusan
Umur dengan lama kerja	0,007	0,05	Tolak Ho
Umur dengan pendapatan	0,041	0,05	Tolak Ho
Umur dengan harga rumah	0,001	0,05	Tolak Ho
Umur dengan harga kendaraan	0,124	0,05	Gagal Tolak Ho

Ø  Keputusan

 Tolak Ho, karena ρ-value ≤ α  untuk umur dengan lama kerja, umur dengan pendapatan, umur dengan harga rumah sedangkan umur dengan harga kendaraan Gagal tolak Ho karena ρ-value ≥ α.

Ø  Kesimpulan

Ada hubungan antara umur dengan lama kerja, umur dengan pendapatan, umur dengan harga rumah tetapi untuk umur dengan harga kendaraan tidak ada korelasi.

Ketiga, menguji nilai persamaan regresi antar variabel dengan output dan menggunakan hipotesis sebaagai berikut:

Coefficientsa
Model		Unstandardized Coefficients		Standardized Coefficients	t	Sig.	Collinearity Statistics
		B	Std. Error	Beta			Tolerance	VIF
1	(Constant)	24,911	3,928		6,343	,000
	Lama_Kerja	,514	,262	,174	1,964	,052	,954	1,048
	Pendapatan	,000	,000	-,934	-3,282	,001	,093	10,762
	Harga_Rumah	,000	,000	1,133	4,056	,000	,096	10,381
	Harga_Kendaraan	,000	,000	,106	1,107	,271	,820	1,219

Gambar 3.3 Tampilan Output  Uji Regresi

Dari output diatas, diperoleh persamaan regresi ŷ= 24,911 + 0,514 X1 + 0,000 X2 + 0,000 X3 + 0,000 X4. Artinya, nilai y akan berpegaruh apabila nilai X1 berubah menjadi setiap 0,514 satuan.

Keempat, meng-interpretasikan nilai Rsquare atau Koefisien determinasi yaitu (R²) mengukur proporsi keragaman y (variabel dependent) yang mampu dijelaskan oleh x (variabel independent) dalam model. Berikut output yang dihasilkan:

Model Summaryb
Model	R	R Square	Adjusted R Square	Std. Error of the Estimate
1	,475a	,225	,195	8,15183

Gambar 3.4 Tampilan Output  Model Summary

R² menunjukkan kebaikan model, semakin besar R² semakin baik modelnya. Nilai R² berada antara 0% sampai 100%. Output diatas menunjukkan bahwa R² = 22,5% . Artinya dari keempat faktor tersebut hanya mampu menjelaskan sebesar 22,5 persen dan sisanya faktor lain yang tidak dimasukkan dalam model.

Kelima, praktikan membahas mengenai uji kecocokan model dimana uji ini terdiri dari uji overall (dilakukan uji serentak semua variabel) dan uji parsial (uji satu persatu dari tiap variabel). Berikut output dan penjelasannya:

ANOVAa
Model		Sum of Squares	df	Mean Square	F	Sig.
1	Regression	1992,073	4	498,018	7,494	,000b
	Residual	6844,594	103	66,452
	Total	8836,667	107

Gambar 3.5 Tampilan ANOVA

Uji F (overall) digunakan untuk menguji kelayakan model dan menguji parameter regresi secara keseluruhan. Berikut merupakan hipotesis uji F untuk model yang sudah terkoreksi oleh bo:

Ø  Hipotesis

Ho       : Model tidak layak digunakan

Hı        : Model layak digunakan

Ø  Tingkat Kepercayaan

α  = 5%

Ø  Daerah Kritis

Tolak Ho jika ρ-value ≤ α

Ø  Statistika Uji

ρ-value = 0,000

Ø  Keputusan

Tolak Ho, karena ρ-value ≤ α  atau 0,000 ≤ 0,005

Ø  Kesimpulan

Model layak digunakan

Uji t digunakan untuk menguji parameter secara parsial, dengan kata lain untuk mengetahui apakah variabel independent (x) berpengaruh secara signifikan (nyata) terhadap variabel dependent (y). Dapat dilihat pada output dan hipotesis berikut:

Coefficientsa
Model		Unstandardized Coefficients		Standardized Coefficients	t	Sig.	Collinearity Statistics
		B	Std. Error	Beta			Tolerance	VIF
1	(Constant)	24,911	3,928		6,343	,000
	Lama_Kerja	,514	,262	,174	1,964	,052	,954	1,048
	Pendapatan	,000	,000	-,934	-3,282	,001	,093	10,762
	Harga_Rumah	,000	,000	1,133	4,056	,000	,096	10,381
	Harga_Kendaraan	,000	,000	,106	1,107	,271	,820	1,219
Gambar 3.6 Tampilan Output  Coefficient

Ø  Hipotesis

Ho       : bı = 0 (konstanta tidak signifikan antara untuk umur dengan lama kerja, umur dengan pendapatan, umur dengan harga rumah, umur dengan harga kendaraan)

Hı      : ada salah satu bi ≠ 0 (konstanta signifikan untuk umur dengan lama kerja, umur dengan pendapatan, umur dengan harga rumah, umur dengan harga kendaraan)

Ø  Tingkat Kepercayaan

α  = 5%

Ø  Daerah Kritis

Tolak Ho jika ρ-value ≤ α

Ø  Statistika Uji

Variabel	ρ-value	α	Keputusan
lama kerja	0,000	0,05	Tolak Ho
pendapatan	0,052	0,05	Gagal Tolak Ho
harga rumah	0,001	0,05	Tolak Ho
harga kendaraan	0,271	0,05	Gagal Tolak Ho

Ø  Keputusan

Variabel lama kerja dan harga rumah Tolak Ho, karena ρ-value ≤ α sedangkan variabel pendapatan dan harga kendaraan gagal tolak Ho karena ρ-value ≥ α

Ø  Kesimpulan

Lama kerja dan harga rumah mempunyai konstanta yang tidak signifikan, sedangkan pendapatan dan harga kendaraan konstanta signifikan.

Keenam, menguji nilai persamaan regresi dengan metode forward antar variabel. Berikut output dan hipotesisnya sebaagai berikut:

Coefficientsa
Model		Unstandardized Coefficients		Standardized Coefficients	t	Sig.	Collinearity Statistics
		B	Std. Error	Beta			Tolerance	VIF
1	(Constant)	37,680	2,200		17,128	,000
	Harga_Rumah	3,155E-5	,000	,307	3,324	,001	1,000	1,000
2	(Constant)	31,629	2,758		11,469	,000
	Harga_Rumah	,000	,000	1,199	4,313	,000	,101	9,932
	Pendapatan	,000	,000	-,940	-3,382	,001	,101	9,932
3	(Constant)	26,371	3,703		7,121	,000
	Harga_Rumah	,000	,000	1,098	3,950	,000	,098	10,243
	Pendapatan	,000	,000	-,858	-3,104	,002	,099	10,138
	Lama_Kerja	,544	,260	,185	2,087	,039	,964	1,037

Gambar 3.7 Tampilan Output  Uji Regresi

Dari output diatas, diperoleh persamaan regresi ŷ= 26,371 + 0,000 X1 + 0,000 X2 + 0,644 X3 . Artinya, nilai y akan berpegaruh apabila nilai X3 berubah menjadi setiap 0,644 satuan. X4 atau harga kendaraan tidak masuk dalam model karena tidak signifikan.

Ketujuh, meng-interpretasikan nilai Rsquare atau Koefisien determinasi yaitu (R²) mengukur proporsi keragaman y (variabel dependent) yang mampu dijelaskan oleh x (variabel independent) dalam model. Berikut output yang dihasilkan:

Model Summaryd
Model	R	R Square	Adjusted R Square	Std. Error of the Estimate
1	,307a	,094	,086	8,68874
2	,428b	,183	,168	8,29012
3	,465c	,216	,194	8,16067

Gambar 3.8 Tampilan Output  Model Summary

R² menunjukkan kebaikan model, semakin besar R² semakin baik modelnya. Nilai R² berada antara 0% sampai 100%. Output diatas menunjukkan bahwa R² = 30,7% (harga rumah),  R² = 42,8% (pendapatan) dan R² = 46,5% (lama kerja). Artinya dari ketiga faktor tersebut hanya mampu menjelaskan persen tersebut dan sisanya faktor lain yang tidak dimasukkan dalam model.

Kedelapan, praktikan membahas mengenai uji kecocokan model dimana uji ini terdiri dari uji overall (dilakukan uji serentak semua variabel) dan uji parsial (uji satu persatu dari tiap variabel). Berikut output dan penjelasannya:

ANOVAa
Model		Sum of Squares	df	Mean Square	F	Sig.
1	Regression	834,275	1	834,275	11,051	,001b
	Residual	8002,392	106	75,494
	Total	8836,667	107
2	Regression	1620,421	2	810,211	11,789	,000c
	Residual	7216,245	105	68,726
	Total	8836,667	107
3	Regression	1910,624	3	636,875	9,563	,000d
	Residual	6926,042	104	66,597
	Total	8836,667	107

Gambar 3.9 Tampilan ANOVA

Uji F (overall) digunakan untuk menguji kelayakan model dan menguji parameter regresi secara keseluruhan. Berikut merupakan hipotesis uji F untuk model yang sudah terkoreksi oleh bo:

Ø  Hipotesis

Ho       : Model tidak layak digunakan

Hı        : Model layak digunakan

Ø  Tingkat Kepercayaan

α  = 5%

Ø  Daerah Kritis

Tolak Ho jika ρ-value ≤ α

Ø  Statistika Uji

Variabel	ρ-value	α	Keputusan
Harga rumah	0,001	0,05	Tolak Ho
Pendapatan	0,000	0,05	Tolak Ho
Lama kerja	0,000	0,05	Tolak Ho

Ø  Keputusan

Tolak Ho, karena ρ-value ≤ α .

Ø  Kesimpulan

Model layak digunakan

Uji t digunakan untuk menguji parameter secara parsial, dengan kata lain untuk mengetahui apakah variabel independent (x) berpengaruh secara signifikan (nyata) terhadap variabel dependent (y). Dapat dilihat pada output dan hipotesis berikut:

Coefficientsa
Model		Unstandardized Coefficients		Standardized Coefficients	t	Sig.	Collinearity Statistics
		B	Std. Error	Beta			Tolerance	VIF
1	(Constant)	37,680	2,200		17,128	,000
	Harga_Rumah	3,155E-5	,000	,307	3,324	,001	1,000	1,000
2	(Constant)	31,629	2,758		11,469	,000
	Harga_Rumah	,000	,000	1,199	4,313	,000	,101	9,932
	Pendapatan	,000	,000	-,940	-3,382	,001	,101	9,932
3	(Constant)	26,371	3,703		7,121	,000
	Harga_Rumah	,000	,000	1,098	3,950	,000	,098	10,243
	Pendapatan	,000	,000	-,858	-3,104	,002	,099	10,138
	Lama_Kerja	,544	,260	,185	2,087	,039	,964	1,037
Gambar 3.10 Tampilan Coefficient

Ø  Hipotesis

Ho       : bı = 0 (konstanta tidak signifikan antara untuk umur dengan lama kerja, umur dengan pendapatan, umur dengan harga rumah)

Hı        : ada salah satu bi ≠ 0 (konstanta signifikan untuk umur dengan lama kerja, umur dengan pendapatan, umur dengan harga rumah, umur dengan harga kendaraan)

Ø  Tingkat Kepercayaan

α  = 5%

Ø  Daerah Kritis

Tolak Ho jika ρ-value ≤ α

Ø  Statistika Uji

Variabel	ρ-value	α	Keputusan
Harga Rumah	0,000	0,05	Tolak Ho
Pendapatan	0,002	0,05	Tolak Ho
Lama kerja	0,039	0,05	Tolak Ho

Ø  Keputusan

Tolak Ho karena ρ-value ≥ α

Ø  Kesimpulan

Harga rumah, pendapatan dan lama kerja mempunyai konstanta yang signifikan.

BAB IV

PENUTUP

Dari praktikum yang dilakukan oleh praktikan, maka praktikan dapat menyimpulkan beberapa hal yang program praktikan buat dengan menganalisis data untuk mencari regresi dan korelasi seperti berikut:

1. Pada scatter plot variabel Umur dengan umur, lama kerja dengan lama kerja, pendapatan dengan pendapatan, harga rumah dengan harga rumah dan harga kendaraan dengan harga kendaraan tidak mempunyai korelasi atau nilainya 0 karena jika variabel dihubungkan dengan variabel itu sendiri tidak ada nilainya.

2. Scatter plot tersebut menunjukkan bahwa hubungan antar variabel mempunyai hubungan yang kuat karena dapat dilihat dengan jelas gambar yang terlihat saling berdekatan antar variabel.

3. Pada variabel umur dengan lama kerja, umur dengan pendapatan dan umur dengan harga rumah mempunyai hubungan, sedangkan pada variabel umur dengan harga kendaraan tidak mempunyai hubungan.

4. Menguji regresi dengan dua metode, yaitu metode enter dan metode forward.

5. Pada metode enter didapatkan koefisien determinasi sebesar 22,5%.

6. Dengan menggunakan metode enter didapatkan persamaan model regresi ŷ= 24,911 + 0,514 X1 + 0,000 X2 + 0,000 X3 + 0,000 X4 dimana X1 sebagai lama kerja, X2 sebagai pendapatan, X3 sebagai harga rumah dan X4 sebagai harga kendaraan.

7. Dari faktor keempat tersebut sudah baik dalam pemasukkan modelnya artinya model tersebut layak digunakan.

8. Lama kerja dan harga rumah mempunyai konstanta yang tidak signifikan, sedangkan pendapatan dan harga kendaraan konstanta signifikan.

9. Pada metode forward  didapatkan koefisien determinasi sebesar 30,7% (harga rumah),  42,8% (pendapatan) dan 46,5% (lama kerja).

10. Dengan menggunakan metode forward didapatkan persamaan model regresi ŷ= ŷ= 26,371 + 0,000 X1 + 0,000 X2 + 0,644 X3 dimana X1 sebagai harga rumah, X2 sebagai pendapatan dan X3 sebagai lama kerja.

11. Dari faktor ketiga tersebut sudah baik dalam pemasukkan modelnya artinya   model tersebut layak digunakan.

12. Harga rumah, pendapatan dan lama kerja mempunyai konstanta yang signifikan.

DAFTAR PUSTAKA

Purwaningsih, Tuti. 2015. Modul Praktikum Analisis Regresi Terapan. Yogyakarta: Universitas Islam Indonesia.

Statistik, Konsultan. 2015 Regresi Linier Berganda.. http://www.konsultanstatistik.com/2009/03/regresi-linear.html.  Diaskes pada tanggal 9 April 2016.

Widhiarso, Wahyu. 2010. Berkenalan dengan Metode-Metode Analisis Regresi Melalui SPSS. http://widhiarso.staff.ugm.ac.id/wp/berkenalan-dengan-metode-metode-analisis-regresi-melalui-spss/. Diaskes pada tanggal 10 Mei 2016.