Analisa regresi dan korelasi (1) Pengertian : Analisis regresi merupakan salah satu analisis yang bertujuan untuk mengetahui

pengaruh suatu variabel terhadap variabel lain. Dalam analisis regresi, variabel yang mempengaruhi disebut Independent Variable (variabel bebas) dan variabel yang dipengaruhi disebut Dependent Variable (variabel terikat). Jika dalam persamaan regresi hanya terdapat satu variabel bebas dan satu variabel terikat, maka disebut sebagai persamaan regresi sederhana, sedangkan jika variabel bebasnya lebih dari satu, maka disebut sebagai persamaan regresi berganda.

Analisis Korelasi merupakan suatu analisis untuk mengetahui tingkat keeratan hubungan antara dua variabel. Tingkat hubungan tersebut dapat dibagi menjadi tiga kriteria, yaitu mempunyai hubungan positif, mempunyai hubungan negatif dan tidak mempunyai hubungan. 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 sederhana, pengaruh satu variabel bebas terhadap variabel terikat dapat dibuat persamaan sebagai berikut : Y = a + b X. Keterangan : Y : Variabel terikat (Dependent Variable); X : Variabel bebas (Independent Variable); a : Konstanta; dan b : Koefisien Regresi. Untuk mencari persamaan garis regresi dapat digunakan berbagai pendekatan (rumus), sehingga nilai konstanta (a) dan nilai koefisien regresi (b) dapat dicari dengan metode sebagai berikut : a = *(ΣY . ΣX2) – (ΣX . ΣXY)+ / *(N . ΣX2) – (ΣX)2+ atau a = (ΣY/N) – b (ΣX/N) b = *N(ΣXY) – (ΣX . ΣY)+ / *(N . ΣX2) – (ΣX)2+

http://skripsimahasiswa.blogspot.com/2009/12/analisa-regresi-dan-korelasi-1.html

MEMAHAMI ANALISIS REGRESI SEBELUM MENGGUNAKANNYA

Regresi adalah analisis yang paling banyak digunakan dalam berbagai penelitian, baik penelitian teoritis maupun penelitian terapan. penelitian teoritis baik yang dilakukan sebagai tugas akhir pendidikan (skripsi, thesis, dan disertasi) maupun penelitian teoritis lainny regresi juga menjadi salah satu alat analisis yang paling digandrungi. Hal ini terjadi karena konsep yang terkandung dalam analisis r cukup baik dan kuat dalam menjelaskan hubungan antar variabel yang sedang diteliti sementara proses pengolahan relatif mudah.

Namun sayangnya, banyak peneliti menggunakan analisis regresi tanpa memahami konsep dasar analisis regresi. Analisis regresi dib dasar konsep persamaan garis lurus. Analisis regresi berusaha membuat satu garis yang dapat dianggap mewakili pola data yang ad

hanya terdapat dua buah data (direpresentasikan dengan dua titik dalam bidang kartesius), maka akan sangat mudah membuat seb dimana kedua titik tersebut secara sempurna dilewati oleh titik tersebut. Misalkan, masukanlah titik A (1, 1) dan titik B (4, 4), maka

diperoleh suatu garis yang melewati titik A dan B. Namun jika jumlah data ditingkatkan, misalnya dengan titik C (2, 3), maka sudah mungkin untuk menarik suatu garis lurus yang melewati titik A, B, dan C. Persamaan garis lurus akan tetap dapat dibuat secara sem titik selanjutnya adalah (2, 2), (3, 3), (5, 5), dst.

Pada kenyataannya jika asumsi bahwa data bisa dilewati oleh suatu garis lurus digunakan dalam suatu penelitian, maka hampir dipa tersebut tidak akan tercapai. Tidak akan ada suatu garis yang dapat secara sempurna melewati semua titik data yang diperoleh. Na

tidak membuat analisis dengan mengasumsikan garis lurus tidak dapat digunakan. Secara praktis dapat dibuat suatu garis yang pali dengan semua titik-titik tersebut. Pemahaman praktis ini sebenarnya dapat diterapkan dengan membuat plot data dalam bidang kar

Secara visual kita dapat melihat apakah data yang ada akan dapat membentuk suatu garis lurus atau tidak. Masalah yang sering tim

Sebelum kita menggunakan data untuk sebuah analisis regresi.9). Data berskala interval atau rasio. maka perhitungan penyimpangan dapat menggunakan angka absolut atau angka yang te dikuadratkan. maka secara statistik. Hal ini t membuat temuan penelitian menjadi sangat tidak bermakna. Model regresi harus dibangun atas dasar konsep teoritis dan logika yang benar. Kesalahan fatal dalam penggunaan regresi berganda yang paling sering saya temukan adala Terkait dengan penjelasan diatas.1). namun seharusnya dapat dianggap sebagai persamaan kuadrat. Nilai signifikansi yang paling umum digunakan untuk penelitian sosial adalah 0. Data harus berdistribusi normal (Konsep dan penjelasan terkait hal ini akan dijelaskan pada artikel lain) tidak cocok digunakan dalam analisis regresi. (3.05. Untuk menghindarkan efek sa meniadakan antara nilai minus dan positif. (6. 2. maka antara variabel bebas (explanatory) tidak ada hubungan linier yang nyata (Multikolin Analisis terhadap persamaan regresi yang dibentuk harus memperhatikan beberapa hal berikut : 1. Garis lurus yang telah dibuat akan dapat dituliskan dalam bentuk persamaan umum garis lurus yaitu Y = a + bX. sehingga nilai signifikan yang kita peroleh dapat dikatakan signikan jika nilai signifikansinya lebih kecil dari 0. Nilai ini dapat dengan mudah diperol output SPSS. Semakin besar tingkat error. 7.1). Variabel bebas tidak berkorelasi dengan disturbance term (Error) . maka tidak mungkin diasumsikan membentuk garis lurus.1). bukan garis yang melewati semua data yang ada.4). dst) dalam bidang kartesisus. 4. 3. M disebut dengan metode kuadrat terkecil (Ordinary Least Square). Terkait hal ini akan dijelaskan dengan detail pada artikel lain. ada beberapa asumsi yang harus dipenuhi agar suatu persamaan garis luru dimanfaatkan dalam analisis. (1. Pada saat tersebut jumlah penyimpangan yang terjadi paling kecil. Nilai error sebesar 0 (Seperti yang telah dijelaskan diatas) Varian untuk masing-masing error term (kesalahan) konstan (Heteroskedastisitas) (Akan dijelaskan pada artikel lainnya) Tidak terjadi otokorelasi (Akan dijelaskan pada artikel lainnya) (Akan dijelaskan pada artikel lainnya) Jika variabel bebas lebih dari satu. (4.6). Hubungan antara variabel yang dijelaskan ( d dengan variabel penjelas (Independen) harus dapat dijelaskan secara logis.05. maka persaman garis lurus tersebut semakin lemah daya penjelasaanya. Model regresi harus membentuk suatu garis lurus. 5. 2. maka akan sangat sulit untuk membuat garis lurus yang mend titik tersebut. Konsep teoritis dalam membuat suatu persamaan garis lurus untuk sekumpulan data yang relatif tersebar adalah dengan membuat dimana penyimpangan data aktual terhadap garis tersebut adalah yang terkecil diantara semua kemungkinan garis yang dapat dibe Penyimpangan total dihitung dari jarak antara titik data dengan garis “kompromi” tersebut. (6. Signifikansi model. (2. maka menjumlahkan nilainya akan menghasilkan nilai yang saling meniadakan sehingga jumlah penyimpangan yang paling mendekati adalah nol. Konsep dasarnya sama dengan penjelasan diatas yaitu garis lurus mendekati. Namun demikian perlu untuk dibiasakan tidak membatasi apakah model signifikan atau tidak hanya karena bata akan jauh lebih baik menggunakakan nilai signifikan dan pembaca yang menentukan menurut preferensi mereka masing-mas . yaitu : 1. 6. Contoh lain.3)] dalam suatu bidang kartesius. Pemahaman ini seharusnya membuat kita mengerti bahwa setiap gari dibuat akan memiliki tingkat error tertentu. Jika anda menggambarkan rangkaian data berikut ini [(1. gambarkanlah ran berikut [(1. Secara statistik digunakan berbagai asum menentukan apakah sekumpulan data dapat kita analisis dengan analisis regresi. ada beberapa persyaratan yang perlu untuk diperhatikan.6) (3.16). namun “dipaksakan” lurus agar penelitian yang dilaksanakan dapat selesai. A dan B disebut pa Persamaan ini dapat digunakan untuk mencapai salah satu tujuan analisis regresi yaitu meramalkan nilai Y pada nilai X tertentu baik sampel lain yang tidak dimasukkan dalam penelitian ataupun untuk peramalan untuk periode waktu yang akan datang. “Memaksakan” asumsi garis lurus pada data-data tersebut tidak masuk akal. yaitu : 1. Karena sebahagian data ada di atas atau kanan atau kiri garis.data sebenarnya tidak memiliki pola garis lurus. Penggunaan angka penyimpangan (error) yang dikuadratkan adalah metode paling umum yang digunakan saat ini.

sampai 0.chandrasitumeang.php?option=com_content&view=article&id=83:memaha mi-analisis-regresi-sebelum-menggunakannya&catid=41:metodologi-penelitian&Itemid=71 . Hal yang sama juga dapat dilakukan pada uji signifikansi masing-masing variabel.com/index. angka-angka tersebut tidak bermakna secara statistik.06. maka parameter yang dihasilkan tidak perlu untuk diintepretasikan lebih http://www.1. Misalnya jika kita memperoleh nilai signifikansi 0. 3.05 akan mengatakan model tersebut tidak signifikan namun tidak demikian bagi seseorang yang mentoleransi signik Jika sebuah persamaan disimpulkan tidak signifikan.model tersebut signifikan atau tidak. 2. maka seseorang yang mentoleransi nilai 0.

Sign up to vote on this title
UsefulNot useful