Anda di halaman 1dari 9

REGRESI

A. Pengertian Regresi
Seringkali peneliti ingin melihat kondisi di waktu yang akan
datang dengan suatu dasar keadaan sekarang atau ingin melihat kondisi
diwaktu yang lalu dengan dasar keadaan sekarang. Sifat ini melakukan
prediksi atau taksiran mulai berkembang dalam dunia ekonomi, tetapi
sekarang banyak dilakukan di dunia ekonomi, tetai sekarang banyak
dilakukan di dunia pendidikan. Bahkan dewasa ini, melakukan prediksi
keadaan siswa untuk waktu yang akan datang merupakan kondisi yang
sangat dibutuhkan dalam dunia pendidikan. Melalui prediksi yang baik,
perencanaan pendidikan, baik yang menyangkut kurikulum, metode
mengajar, fasilitas ruang dan guru, dan lain-lainnya, akan dapat
direalisasikan seefisien mungkin.
Pada pembahasan bab ketujuh kita telah membahas korelasi antara
satu variabel dengan variabel yang lainnya. hubungan yang telah dibahas
di muka merupakan hubungan yang bersifat korelasional, artinya mana
yang sebagai sebab dan mana yang menjadi akibat tidaklah jelas.
Dalam melakukan prediksi, kita harus dapat menentukan dengan
tegas mana yang sebab dan mana yang akibat (tentunya dengan bantuan
kajian teoritis). Dengan diketahuinya sebab dan akibat, maka hubungan
yang dicari bersifat kausal (sebab akibat). Selanjutnya, jika kita tahu
tentang variabel sebab (variabel bebas), maka kita dapat melakukan
prediksi tentang kondisi variabel akibat (variabel terikatnya).
Sebagaimana layaknya arti kata prediksi, prediksi disini pun
bukanlah merupakan hal yang pasti, tetapi merupakan suatu keadaan
yang mendekati kebenaran. Jika kita membandingkan nilai asli variabel
yang kita predik dengan nilai prediksinya berkemungkinan akan terdapat
perbedaan. Perbedaan tersebut biasa terlalu besar maupun terlalu kecil.
Sepanjang perbedaan tersebut tidak besar, maka prediksi yang kita
lakukan merupakan hasil kerja yang luar biasa. Penyimpangan-
penyimpangan nilai asli dan nilai prediksi ini sering terjadi karena dalam
melakukan prediksi kita berdasarkan nilai-nilai rata-rata, dan
menggunakan suatu persamaan yang menggambarkan suatu garis
tertentu. Sifat yang menggambarkan garis bermacam-macam, ada yang
lurus, hiperbola dan lainnya. untuk menentukan rumus mana yang akan
dipakai tergantung pada teori yang dipakai dan kondisi yang diperoleh,
karena masing-masing rumus dikembangkan melalui beberapa asumsi.

B. Regresi Linear Sederhana
Pembahasan pada sub bab ini dititikberatkan pada pembahasan
regresi linear dengan satu variabel bebas. Kita mulai dengan model linear
sederhana ditujukan untuk mempermudah pemahaman konsep regresi,
karena model inilh yang paling sederhana dibanding dengan model-
model lainnya. Tanpa mempelajari model linear sederhana
memungkinkan terlalu sukar mendalami dan memahami model-model
lainnya.
Untuk mempermudah pemahaman regresi perlu kita kembali pada
pola penyebaran skor (titik-titik penyebaran skor) yaitu titik-titik
perpotongan antara nilai X dan Y.
Contoh:
Misalnya kita mempunyai data dari dua buah variabel yaitu
variabel inteligensi (X) dan variabel hasil belajar (Y), yang penyebarannya
sebagai berikut:
X 90 100 100 95 105 110 105 105 115 120
Y 70 75 80 80 85 85 85 90 95 100
Berdasarkan data tersebut di atas kita buat gambar diagramnya
(scatter diagram) sebagai berikut:



Beberapa variasi yang perlu dilihat adalah:
1. Variasi kekeliruan taksiran (standar error estimate) yang dapat
dihitung dengan rumus 7.3.
S
2
xy = (Y-

Y )
2
/ (n-2)
2. Variasi koefisien regresi terdiri dari dua macam:
a. Koefisien regresi dihitung dengan rumus
2
2 2
a YX 2
1 X
S S
n (X X)
= +


b. Koefisien regresi b dihitung dengan rumus
2 2 2
b YX
S S / (X X) =


0
20
40
60
80
100
120
0 50 100 150
Scatter Diagram
3. Variasi ramalan Y untuk setiap X
a. Rata-rata ramalan dihitung dengan rumus
2
2 2 i
y YX 2
(X X) 1
S S
n (X X)


= +
`


b. Ramalan individu dihitung dengan rumus
2
2 2 i
Y YX 2
(X X) 1
S S 1
n (X X)


= +
`


Langkah lain untuk menguji hipotesis berkaitan dengan regresi
liniear adalah melalui analisis variance atau analisis variasi. Dalam hal ini
akan berhubungan dengan jumlah kuadrat (sum of squares) dari masing-
masing variabel. Di sini jumlah kuadrat variabel terikat merupakan
jumlah dari; kuadrat jumlah Y dibagi dengan jumlah sampel, ditambah
dengan hasil kali b dengan jumlah hasil kali simpangan masing-masing
variabel dengan rata-ratanya, dan jumlah kuadrat simpangan Y dengan
Y'. Jika ditulis dalam bentuk matematikal, maka jumlah kuadrat variabel
terikat dapat dilihat pada rumus:
2
2 2

Y ( Y) / n b (X X)(Y Y) (Y Y) = + +


Persamaan di atas dapat diubah menjadi bentuk lain
2
2 2

(Y Y) ( Y) ( Y) / n b (X X)(Y Y) =


Dengan demikian maka sumber variasi terdiri dari 3 macam, yaitu:
1. Regresi a, dengan derajat kebebasan 1
2. Regresi (b/a) dengan derajat kebebasan 1
3. Sisa, dengan derajat kebebasan n 2
Dari ketiga sumber variasi di atas kita dapat menghitung dari
masing-masingnya berupa sum of squares dan mean squares. Sum of
squares yang berkaitan dengan regresi a dapat dihitung dengan rumus:
2
a
SS ( Y) / n =


Untuk contoh di atas SSa adalah:
= 714025 : 10
= 71402.5
Dapat disederhanakan menjadi rumus:
b/ a
( X)( Y)
SS b XY
n


=
`

)


Untuk contoh soal di atas, nilai SSb/a adalah:
= 0.93 [88975-{(1045 x 845):10}]
= 625.425
Sum of square sisa dapat dihitung dengan rumus:
SSb/a = Y
2
SSa SSb/a
Untuk contohnya adalah sebagai berikut:
= 72125 71402.5 625.425
= 97.075
Mean square yang berkaitan dengan regresi a dapat dihitung
dengan rumus:
MSa = SSa / dk SSa
Untuk soal di atas mean squaresnya adalah:
= 71402.5 : 1
= 71402.5
Tahap akhir dalam pengujian hipotesis signifikansi konstribusi
atau sumbangan variabel X terdapat variabel Y adalah menghitung nilai F
yang dapat diperoleh dengan rumus:
F = MSb/a : MSsisa
Nilai F untuk contoh di atas adalah :
= 625.425 : 12.134375
= 51.54159155 = 51.54
Setelah nilai F hitung diperoleh, maka kita akan menerima atau
menolak H0 dengan jalan membandingkan nilai F hitung dengan nilai F
tabel. Apabila kita mengambil alpha () sebesar 0,01 maka F0,01 (1,8) =
11,26.
Dengan demikian maka tampak bahwa hasil perhitungan dengan
langkah pertama maupun kedua menghasilkan kesimpulan yang sama,
yaitu sama-sama menyatakan bahwa persamaan regresi liner Y' = -12.77 +
0.93 X dapat digunakan untuk melakukan predisi. Untuk lebih jelasnya,
biasanya hasil langkah terakhir ini disimpulkan/diringkas dalam satu
tabel yang disebut dengan tabel ANOVA. Tabel ANOVA untuk contoh di
atas sebagai berikut:

Sumber variansi dk SS MS F
Regresi a 1 71402.5 71402.5
Regresi b/a 1 625.425 625.425 51.54
Sisa 8 97.075 12.134375
Total 10 72125 - -

Langkah-langkah tersebut di atas akan menghasilkan analisis yang
baik jika beberapa syarat telah dipenuhi. Oleh karena itu, sebelum kita
beranjak lebih jauh lebih baik kita menguji apakah kondisi data sampel
kita telah memenuhi seluruh persyaratan analisis regresi atau tidak.
Sedangkan syarat-syarat yang harus dipenuhi dalam perhitungan di atas
adalah:
1. Sampel diambil secara random (acak)
2. Variabel X dan variabel Y mempunyai hubungan yang kausal, dimana
X merupakan sebab dan Y merupakan akibat.
3. Nilai Y mempunyai penyebaran yang berdistribusi normal.
4. Persamaan tersebut hendaknya benar-benar linear.

C. Uji Linear Regresi Sederhana
Pada pembahasan yang lalu kita tidak secara teliti dan terperinci
membahas tentang linieritas dari pesamaan regresi yang kita peroleh.
Pada saat pengujian signifikansi koefisien regresi telah kita simpulkan
bahwa koefisien regresi adalah signifikan dan linear. Untuk lebih telitinya
analisis, masih perlu dilakukan analisis terpisah tentang apakah
persamaan regresi linear barulah bisa digunakan untuk melakukan
prediksi dengan bentuk linear, sebaliknya jika ternyata persamaan regresi
yang diperoleh tidak linear, maka kita perlu menggunakan persamaan
lain yang lebih cocok. Pada pembahasan yang lalu pun telah disinggung
selintas pengujian liniaritas dengan leas square. Jika jumlah data tidak
banyak, leas squares memang bisa membantu peneliti untuk melihat
bentuk persamaan. Tetapi jika jumlah sampel yang dihadapi banyak,
maka pengamatan melalui least squares bisa menyesatkan. Di samping
itu, leas squares tergantung pada pengamatan mata semata. Untuk itulah
leas squares perlu disertai dengan bentuk pengujian linearitas.
Pengujian linearitas berkaitan dengan sum of squares sisa, dimana
sum of squares sisa dipisah menjadi dua bagian yaitu sum of squares
ketidaksamaan, dan sum of squares error. Dalam mebahas ketidaksamaan
kita perlu melihat (mengelompokkan) Y berdasarkan nilai X, artinya kita
cari simpangan nilai Y dalam setiap kelompok X. sehingga banyaknya
derajat kebebasannya adalah k (banyak kelompok X) dikurang dengan 2.
Sedangkan sum of squares error merupakan selisih sum of squares sisa
dengan sum of squares ketidaksamaan, dengan derajat kebebasan n-k.
Untuk lebih jelasnya marilah kita uji liniaritas contoh soal seperti di
atas.
Langkah awal adalah menyusun penyebaran nilai-nilai data Y
berdasarkan niali X.
Penyebaran nilai pengamatan Y berdasarkan nilai X untuk soal
sebgai berikut:
X Y
120 100
115 95
110 85
105 90
105 85
105 85
100 80
100 75
95 80
90 70

Berdasarkan tabel di atas dapat dihitung sum of square error
(SSeror) dengan rumus:
2
2
error x
k
k
( Y)
SS ( Y )
n
=



Untuk contoh soal di atas squares ketidaksamaannya sebagai
berikut:
2 2 2
2 2 2
error
2
2 2 2
2 2 2
2 2 2 2
100 95 85
SS 100 95 85
1 1 1
(90 85 85)
90 85 85
3
(80 75) 80 70
80 75 80 70
2 1 1
0 0 0 16, 667 12, 5 0 0
29.167
| | | | | |
= + + +
| | |
\ . \ . \ .
| | + +
+ + +
|
\ .
| | | | | | +
+ + +
| | |
\ . \ . \ .
= + + + + + +
=


SSketidaksamaan = SSsisa SSerror
= 97.075 29.167
= 67.908
MSketidaksamaan = SSketidaksamaan : dk SSketidaksamaan
= 67.908 : (7-2)
= 13.5816
MSerror = SSerror : dk SSerror
= 29.167 : (10-7)
= 9.722333333
= 9.7223