PENGERTIAN REGRESI

Regresi merupakan suatu alat ukur yang juga dapat digunakan untuk mengukur ada atau tidaknya korelasi antarvariabel. Jika kita memiliki dua buah variabel atau lebih maka sudah selayaknya apabila kita ingin mempelajari bagaimana variabel-variabel itu berhubungan atau dapat diramalkan. Analisis regresi lebih akurat dalam melakukan analisis korelasi, karena pada analisis itu kesulitan dalam menunjukkan slop (tingkat perubahan suatu variabel terhadap variabel lainnya dapat ditentukan). Dengan demikian maka melalui analisis regresi, peramalan nilai variabel terikat pada nilai variabel bebas lebih akurat pula. Model kelayakan regresi linear didasarkan pada hal-hal sebagai berikut: a. b. Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar < 0.05 Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini diketahui jika angka Standard Error of Estimate < Standard Deviation c. Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi signifikan jika T hitung > T table (nilai kritis) d. Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi yang sangat tinggi atau sangat rendah antar variabel bebas. Syarat ini hanya berlaku untuk regresi linier berganda dengan variabel bebas lebih dari satu. e. Tidak terjadi otokorelasi. Terjadi otokorelasi jika angka Durbin dan Watson (DB)

sebesar 3 f. Keselerasan model regresi dapat diterangkan dengan menggunakan nilai r2 semakin besar nilai tersebut maka model semakin baik. Jika nilai mendekati 1 maka model regresi semakin baik. Nilai r2 mempunyai karakteristik diantaranya: 1) selalu positif, 2) Nilai r2 maksimal sebesar 1. Jika Nilai r2 sebesar 1 akan mempunyai arti kesesuaian yang sempurna. Maksudnya seluruh variasi dalam variabel Y dapat diterangkan oleh model regresi. Sebaliknya jika r2 sama dengan 0, maka tidak ada hubungan linier antara X dan Y. g. Terdapat hubungan linier antara variabel bebas (X) dan variabel tergantung (Y)

1

i. artinya satu variabel merupakan variabel bebas (disebut juga sebagai variabel predictor) sedang variabel lainnya variabel tergantung (disebut juga sebagai variabel response) Persamaan Regresi Linier dari Y terhadap X Persamaan regresi linier dari Y terhadap X dirumuskan sebagai berikut: Y=a+bX Keterangan: Y = variabel terikat X = variabel bebas a = intersep b = koefisien regresi/slop Pada persamaan tersebut di atas. nilai a dan b dapat ditentukan dengan cara sebagai berikut: rumus regresi sederhana Contoh latihan soal regresi sederhana Berikut ini adalah data pengalaman kerja dan omzet penjualan dari 8 marketing pada PT MAKMUR Contoh latihan soal regresi sederhana Pertanyaan: 1. Data harus berdistribusi normal Data berskala interval atau rasio Kedua variabel bersifat dependen.h. 3. 2. j.5 tahun? 2 . Tentukan nilai a dan b Buatkan persamaan garis regresinya Berapa perkiraan omzet penjualan dari seorang marketing yang memiliki pengalaman kerjanya 3.

yaitu apakah ragam populasi (ingat: ragam populasi. bukan ragam sampel) diasumsikan homogen (sama) atau tidak.25 + 1. uji-t digunakan ketika informasi mengenai nilai variance (ragam) populasi tidak diketahui. Dalam lingkup uji-t untuk pengujian hipotesis 2-sampel bebas.25 + 1.25 2.25X = 3.25 dan b = 1.625 Pengujian regresi dilakuan dengan 2 cara. Seperti yang telah dibahas dalam tulisan (post) lain di weblog ini. Uji-t dengan ragam homogen 3 . maka yang lebih tepat adalah menggunakan uji-t dengan asumsi ragam tidak homogen.25 + 1. maka ada 1 hal yang perlu mendapat perhatian.5) = 7. Bila ragam populasi diasumsikan sama. yaitu : 1.25 (3. maka uji-t dibagi lagi menjadi 2. Bila dihubungkan dengan kebebasan (independency) sampel yang digunakan (khusus bagi ujit dengan 2-sampel). yaitu uji-t yang digunakan untuk pengujian hipotesis 1-sampel dan uji-t yang digunakan untuk pengujian hipotesis 2-sampel.25X 1.5 Y = a + bX = 3. sedangkan bila ragam populasi dari 2-sampel tersebut tidak diasumsikan homogen. yaitu uji-t untuk sampel bebas (independent) dan uji-t untuk sampel berpasangan (paired). T – test Uji-t (t-test) merupakan statistik uji yang sering kali ditemui dalam masalah-masalah praktis statistika. Statistik uji ini digunakan dalam pengujian hipotesis. nilai a = 3. Uji-t termasuk dalam golongan statistika parametrik. Persamaan regresi liniernya adalah Y = a + bX = 3. maka uji-t yang digunakan adalah uji-t dengan asumsi ragam homogen. jika X = 3. Uji-t dapat dibagi menjadi 2. Nilai duga Y .Penyelesaian: tabel penolong regresiregresi linier sederhana Dijawab: 1.

Anova ANOVA merupakan lanjutan dari uji-t independen dimana kita memiliki dua kelompok percobaan atau lebih. Distribusi mean berdasarkan kelompok normal dengan keragaman yang sama. tetapi perbedaan ukuran kelompok sampel yang besar dapat mempengaruhi hasil uji perbandingan keragaman. Hipotesis yang digunakan adalah: H0: µ1 = µ2 … = µk (mean dari semua kelompok sama) Ha: µi µj (terdapat mean dari dua atau lebih kelompok tidak sama) 4 . Ukuran sampel antara masing-masing kelompok sampel tidak harus sama. Uji ANOVAOne Way Analysis of Variance. ini juga biasa disebut sebagai Asumsi yang digunakan adalah subjek diambil secara acak menjadi satu kelompok n. apabila uji-t hendak digunakan untuk melakukan pengujian hipotesis terhadap 2-sampel. ANOVA biasa digunakan untuk membandingkan mean dari dua kelompok sampel independen (bebas). 2. maka harus dilakukan pengujian mengenai asumsi kehomogenan ragam populasi terlebih dahulu dengan menggunakan uji-F. Oleh karena itulah.dan tidak homogen memiliki rumus hitung yang berbeda.

ΣY)] / [(N . ΣXY)] / [(N . Analisis Regresi Sederhana : digunakan untuk mengetahui pengaruh dari variabel bebas terhadap variabel terikat atau dengan kata lain untuk mengetahui seberapa jauh perubahan variabel bebas dalam mempengaruhi variabel terikat. Dalam analisis regresi. variabel yang mempengaruhi disebut Independent Variable (variabel bebas) dan variabel yang dipengaruhi disebut Dependent Variable (variabel terikat). sedangkan jika variabel bebasnya lebih dari satu. pengaruh satu variabel bebas terhadap variabel terikat dapat dibuat persamaan sebagai berikut : Y = a + b X.170 ΣXY = 2. maka disebut sebagai persamaan regresi sederhana. dan b : Koefisien Regresi. X : Variabel bebas (Independent Variable). sehingga nilai konstanta (a) dan nilai koefisien regresi (b) dapat dicari dengan metode sebagai berikut : a = [(ΣY . ΣX2) – (ΣX)2] Contoh : Berdasarkan hasil pengambilan sampel secara acak tentang pengaruh lamanya belajar (X) terhadap nilai ujian (Y) adalah sebagai berikut : (nilai ujian) 40 60 50 70 90 ΣY = 310 X (lama belajar) 4 6 7 10 13 ΣX = 40 X2 16 36 49 100 169 ΣX = 370 2 XY 160 360 350 700 1. Analisis Korelasi merupakan suatu analisis untuk mengetahui tingkat keeratan hubungan antara dua variabel. Jika dalam persamaan regresi hanya terdapat satu variabel bebas dan satu variabel terikat. mempunyai hubungan negatif dan tidak mempunyai hubungan. Tingkat hubungan tersebut dapat dibagi menjadi tiga kriteria.740 5 . ΣX2) – (ΣX . yaitu mempunyai hubungan positif. Keterangan : Y : Variabel terikat (Dependent Variable). Dalam analisis regresi sederhana. a : Konstanta. ΣX2) – (ΣX)2] atau a = (ΣY/N) – b (ΣX/N) b = [N(ΣXY) – (ΣX . maka disebut sebagai persamaan regresi berganda.ANALISIS REGRESI DAN KORELASI Pengertian : Analisis regresi merupakan salah satu analisis yang bertujuan untuk mengetahui pengaruh suatu variabel terhadap variabel lain. Untuk mencari persamaan garis regresi dapat digunakan berbagai pendekatan (rumus).

ΣY2) – (ΣY)2]} 6 . Dengan demikian nilai koefisien korelasi adalah – 1 ≤ r ≤ + 1. artinya jika semakin lama dalam belajar maka akan semakin baik atau tinggi nilai ujiannya. 370) – 402] = 20. artinya jika tidak belajar atau lama belajar sama dengan nol.2) terhadap nilai ujian. ΣX2) – (ΣX . 2. Koefisien korelasi yang mendekati angka + 1 berarti terjadi hubungan positif yang erat. Untuk mencari nilai koefisen korelasi (r) dapat digunakan rumus sebagai berikut : r = [(N .740) – (40 . ΣX2) – (ΣX)2] a = [(310 . ΣXY) – (ΣX . maka dapat diketahui bahwa : 1) Lamanya belajar mempunyai pengaruh positif (koefisien regresi (b) = 5. Untuk koefisien korelasi sama dengan – 1 atau + 1 berarti hubungan kedua variabel adalah sangat erat atau sangat sempurna dan hal ini sangat jarang terjadi dalam data riil. [(N .4 dengan asumsi variabel-variabel lain yang dapat mempengaruhi dianggap tetap.Dengan menggunakan rumus di atas.4. ΣY)] / [(N . bila mendekati angka – 1 berarti terjadi hubungan negatif yang erat. Tinggi rendahnya derajat keeratan tersebut dapat dilihat dari koefisien korelasinya.4 b = [N(ΣXY) – (ΣX . ΣX2) – (ΣX)2] .4 + 5. Sedangkan koefisien korelasi mendekati angka 0 (nol) berarti hubungan kedua variabel adalah lemah atau tidak erat. ΣY)] / √{[(N .2 X Berdasarkan hasil penghitungan dan persamaan regresi sederhana tersebut di atas.4 Sehingga persamaan regresi sederhana adalah Y = 20. 2) Nilai konstanta adalah sebesar 20. ΣXY)] / [(N . 310] / [(5 . maka nilai ujian adalah sebesar 20. 370) – (40 .740)] / [(5 . nilai a dan b akan diperoleh sebagai berikut : a = [(ΣY . 370) – 402] = 5. Analisis Korelasi (r) : digunakan untuk mengukur tinggi redahnya derajat hubungan antar variabel yang diteliti. ΣX2) – (ΣX)2] b = [(5 . 2.

ΣY2) – (ΣY)2]} r = [(5 . 28) / √{[(5 . [(N .94 atau 94 % menggambarkan bahwa antara nilai statistik dan matematika mempunyai hubungan positif dan hubungannya erat. didapat data nilai Statistik dan Matematika sebagai berikut : Sampel 1 2 3 4 5 Jumlah X (statistik) 2 5 3 7 8 25 Y (matematika) 3 4 4 8 9 28 XY 6 20 12 56 72 166 X2 4 25 9 49 64 151 Y2 9 16 16 64 81 186 r = [(N .Contoh: Sampel yang diambil secara acak dari 5 mahasiswa. yaitu jika mahasiswa mempunyai nilai statistiknya baik maka nilai matematikanya juga akan baik dan sebaliknya jika nilai statistik jelek maka nilai matematikanya juga jelek. [(5 . 7 .94 Nilai koefisien korelasi sebesar 0. 151) – (25)2] . 186) – (28)2]} = 0. ΣY)] / √{[(N . ΣXY) – (ΣX . 166) – (25 . ΣX2) – (ΣX)2] .

Sign up to vote on this title
UsefulNot useful