1

ANALISIS REGRESI JAMAK : SUATU KRITIK

Oleh :
Abdullah M. Jaubah


Pendahuluan


Analisis regresi dipakai untuk mengestimasi koefisien-koefisien dari persamaan garis lurus
yang melibatkan satu variabel independen atau lebih yang paling baik untuk memprediksi
nilai dari variabel dependen. Penjualan tahunan dari para penjual atau para wiraniaga dapat
diprediksi dari variabel-variabel independen seperti usia, tingkat pendidikan, dan
pengalaman. Analisis regresi dapat berdasar atas model hubungan dari variabel-variabel ini.
Suatu model yang baik dapat dipakai untuk memprediksi penjualan tahunan tadi.

Analisis regresi dapat mencakup statistik yaitu jumlah kasus yang valid untuk tiap variabel,
rata-rata, dan deviasi standar. Tiap model regresi dapat mencakup koefisien-koefisien,
matriks korelasi, korelasi parsial, koefisien korelasi jamak, koefisien determinasi jamak,
koefisien determinasi jamak disesuaikan, kesalahan standar dari estimasi, analisis tabel
varians, nilai-nilai yang diprediksi, residual-residual, 95% confidence interval untuk tiap
koefisien regresi, matriks varians-kovarians, Variance Inflation Factor (VIF), tolerance,
pengujian Durbin-Watson, ukuran-ukuran jarak (Mahalanobis, Cook, dan nilai-nilai
leverage), DfBeta, DfFit, interval-interval prediksi, casewise diagnostic, plots termasuk
scatterplots, partial plots, histogram, dan normal probability plots.

Data

Data untuk variabel dependen dan variabel-variabel independen harus berjenis kuantitatif.
Variabel-variabel kategorikal seperti agama, Program Studi, atau wilayah dari penduduk,
perlu dicatat ke dalam variabel-variabel berbentuk bilangan biner (dummy) atau jenis-jenis
variabel lain karena variabel-variabel tersebut merupakan variabel-variabel berjenis nominal.
Variabel-variabel karegorikal juga mencakup variabel-variabel berjenis ordinal. Analisis
regresi dapat dikelompokkan ke dalam analisis regresi berjenis scale dan analisis regresi
berjenis kategorikal.
2

Regresi kategorikal memakai data kategorikal yang telah dikuantitatifkan dengan cara
memakai nilai-nilai numerik pada kategori-kategori yang menghasilkan suatu persamaan
regresi optimal untuk variabel-variabel yang telah mengalami transformasi. Analisis regresi
linier standar melibatkan usaha meminimalkan jumlah dikuadratkan atas perbedaan-
perbedaan antara variabel dependen dan variabel-variabel independen.

Asumsi-asumsi

Distribusi dari nilai variabel dependen memenuhi persyaratan normalitas distribusi data untuk
tiap nilai variabel independen. Varians dari distribusi dari variabel dependen harus konstan
untuk semua nilai dari variabel independen. Hubungan antara variabel dependen dan tiap
variabel independen harus berbentuk garis lurus dan semua observasi harus independen.

Suliyanto telah membahas mengenai Analisis Regresi Berganda. Suliyanto menyajikan
contoh kasus : Seorang peneliti akan meneliti apakah ada pengaruh harga dan pendapatan terhadap
konsumsi buah Duren. Untuk keperluan tersebut diambil sampel secara acak sebanyak 10 rumah
tangga.[1]
Data
Suliyanto memakai data sebagai berikut :

X1 X2 Y
2 3 5
3 4 8
5 6 8
4 5 9
6 7 9
2 6 13
3 4 6
4 5 9
5 4 4
6 3 3

Hasil analisis Suliyanto adalah sebagai berikut :

R
2
= 0.875, R disesuaikan = 0.840, Standard Error of estimate = 1.1818, F-hitung = 24.567,
dan Y = 2,5529 -1,0921X
1
+1,9608X
2
+

Deskripsi Data

3

Suliyanto tidak menyajikan deskripsi data dan grafik histogram dengan kurva normal.
Deskripsi data mencakup persentil, Dispersi, Distribusi, dan kecenderungan sentral. Grafik
histogram dengan kurva normal mencakup histogram dengan kurva normal dari variabel Y,
X1, dan variabel X2. Deskripsi data dan grafik histogram dengan kurva normal berfungsi
mendeskripsikan dan meringkas data. Deskripsi data dan grafik histogram dengan kurva
normal adalah sebagai berikut :

Statistics
X1 X2 Y
N
Valid 10 10 10
Missing 0 0 0
Mean 4.00 4.70 7.40
Std. Error of Mean .471 .423 .933
Median 4.00 4.50 8.00
Mode 2
a
4 9
Std. Deviation 1.491 1.337 2.951
Variance 2.222 1.789 8.711
Skewness .000 .334 .255
Std. Error of Skewness .687 .687 .687
Kurtosis -1.334 -.852 .115
Std. Error of Kurtosis 1.334 1.334 1.334
Range 4 4 10
Minimum 2 3 3
Maximum 6 7 13
Percentiles
5 2.00 3.00 3.00
10 2.00 3.00 3.10
20 2.20 3.20 4.20
25 2.75 3.75 4.75
30 3.00 4.00 5.30
40 3.40 4.00 6.80
50 4.00 4.50 8.00
60 4.60 5.00 8.60
70 5.00 5.70 9.00
75 5.25 6.00 9.00
80 5.80 6.00 9.00
90 6.00 6.90 12.60
100 6.00 7.00 13.00
a. Multiple modes exist. The smallest value is shown

Histogram dengan Kurva Normal adalah sebagai berikut :
4







5




Pengujian Persyaratan Analisis
Pengujian persyaratan analisis mencakup pengujian normalitas distribusi data dan pengujian
homogenitas varians. Pengujian normalitas distribusi data menghasilkan informasi sebagai
berikut :

Tests of Normality
Kolmogorov-Smirnov
a
Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Y .194 10 .200
*
.945 10 .611
X1 .149 10 .200
*
.918 10 .341
X2 .200 10 .200
*
.932 10 .466
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction

Nilai signifikansi Kolmogorov-Smirnov adalah 0.200 untuk variabel Y, 0.200 untuk variabel
X1, dan 0.200 untuk variabel X2. Nilai-nilai ini adalah lebih besar daripada nilai 0.05
sehingga persyaratan normalitas distribusi data terpenuhi.
Pengujian homogenitas varians menghasilkan informasi sebagai berikut :

6


Test of Homogeneity of Variances
Y
Levene Statistic df1 df2 Sig.
4925120699760122.000 4 5 .000

Signifikansi adalah 0.000. Nilai ini adalah lebih kecil daripada nilai 0.05 sehingga
persyaratan homogenitas varians dari variabel Y dan X1 adalah tidak terpenuhi.

Test of Homogeneity of Variances
Y
Levene Statistic df1 df2 Sig.
3.993 3 5 .085

Signifikansi adalah 0.085. Nilai ini adalah lebih besar daripada nilai 0.05 sehingga
persyaratan homogenitas varians dari variabel Y dan X2 adalah terpenuhi.

Hal ini berarti bahwa jumlah kasus hanya 10 kasus. Jumlah kasus minimal yaitu 30 kasus
tidak terpenuhi dan homogenitas varians antara Y dan X1 juga tidak terpenuhi. Hal ini berarti
bahwa pemakaian statistik parametrik adalah salah dan seharusnya statistik nonparametrik
dipakai. Pemakaian statistik nonparametrik berarti bahwa judul penelitian yaitu Pengaruh
pendapatan dan harga terhadap konsumsi buah Duren tidak dapat dipakai karena persamaan
regresi tidak dapat disajikan jika Spearman Rho dipakai.

Pembahasan di bawah ini tidak memperhatikan dahulu persyaratan-persyaratan tersebut di
atas untuk mengungkap kelemahan-kelemahan dari pembahasan yang dilakukan oleh
Suliyanto.

Analisis Regresi Sederhana

Analisis regresi sederhana menghasilkan informasi sebagai berikut :

Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .354
a
.125 .016 2.928
a. Predictors: (Constant), X1

7

Koefisien korelasi sederhana antara X1 dan Y adalah 0.354. Hal ini berarti bahwa hubungan
antara X1 dan Y adalah lemah. Koefisien determinasi adalah 0.125 atau 12.5%. Hal ini
berarti bahwa pengaruh langsung dari variabel X1 terhadap variabel Y adalah 12.5% dan
sisanya sebesar 87.5% merupakan pengaruh tidak langsung dari variabel-variabel di luar
penelitian ini. Koefisien determinasi disesualkan adalah 0.016 atau 1.6%. Kesalahan standar
dari estimasi adalah 2.928.
ANOVA
a

Model Sum of Squares df Mean Square F Sig.
1
Regression 9.800 1 9.800 1.143 .316
b

Residual 68.600 8 8.575

Total 78.400 9

a. Dependent Variable: Y
b. Predictors: (Constant), X1

Tabel Anova di atas mengandung informasi bahwa F-hitung dengan derajat kebebasan 1 dan
adalah 1.143 dan F-tabel dengan derajat kebebasan 1 dan 8 adalah 5.317655. Hal ini berarti
bahwa F-hitung adalah lebih kecil daripada F-tabel sehingga persamaan regresi adalah tidak
baik atau tidak cocok atau tidak signifikan.

Coefficients
a

Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig. Fraction Missing Info. B Std. Error Beta
1 (Constant) 10.200 2.778 3.672 .006
X1 -.700 .655 -.354 -1.069 .316

Persamaan regresi sederhana adalah Y= 10.200 0.700X1. Hal ini berarti bahwa koefisien
regresi adalah 0.7. Hal ini berarti bahwa pengaruh total dari variabel X1 terhadap variabel Y
adalah -0.7. Hubungan ini berbentuk hubungan negatif dengan pengertian bahwa kenaikan
pada X1 akan menurunkan Y dan penurunan pada X1 akan meningkatkan Y.

ANOVA Table
Sum of Squares df Mean Square F
Y * X1 Between
Groups
(Combined) 18.400 4 4.600 .383
Linearity 9.800 1 9.800 .817
Deviation from Linearity 8.600 3 2.867 .239
Within Groups 60.000 5 12.000
Total 78.400 9
8

F-hitung dengan derajat kebebasan 3 dan 5 adalah 0.239. F-tabel dengan derajat kebebasan 3
dan 5 adalah 5.409451. Hal ini berarti bahwa F-hitung adalah lebih kecil daripada F-tabel
sehingga persamaan regresi memenuhi persyaratan linieritas persamaan regresi. Hal ini dapat
disajikan dalam grafik sebagai berikut :


Persamaan regresi antara X2 dan Y adalah sebagai berikut :

Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .766
a
.586 .534 2.014
a. Predictors: (Constant), X2

Koefisien korelasi antara X2 dan Y adalah 0.766. Hal ini berarti bahwa hubungan antara
variabel X2 dan variabel Y adalah sangat kuat. Koefisien determinasi adalah 0.586 atau
58.6%. Hal ini berarti bahwa pengaruh langsung dari variabel X2 terhadap variabel Y adalah
58.6% dan pengaruh tidak langsung adalah 41.4%. Kesalahan standar dari estimasi adalah
2.014.

ANOVA
a

Model Sum of Squares df Mean Square F Sig.
1
Regression 45.953 1 45.953 11.330 .010
b

Residual 32.447 8 4.056

Total 78.400 9

a. Dependent Variable: Y
b. Predictors: (Constant), X2
9

Tabel Anova mengandung informasi bahwa F-hitung adalah 11.330 dengan derajat
kebebasan 1 dan 8. F-tabel dengan derajat kebebasan 1 dan 8 adalah 5.317655. Hal ini berarti
bahwa F-hitung adalah lebih besar daripada F-tabel sehingga persamaan regresi adalah
signifikan.

Coefficients
a

Model Unstandardized
Coefficients
Standardized
Coefficients
t Sig.
B Std. Error Beta
1
(Constant) -0.54 2.443

-0.221 0.831
X2 1.689 0.502 0.766 3.366 0.01
a. Dependent Variable: Y
Persamaan regresi adalah Y = -0.54 + 1.689X2. Hal ini berarti bahwa koefisien regresi adalah
1.689 dengan pengertian perubahan satu skor pada variabel X2 akan mengakibatkan
perubahan pada variabel Y sebesar 1.689. Pengaruh total adalah 1.689 yang terdiri dari
58.6% dari 1.689 merupakan pengaruh langsung dan 41.4% merupakan pengaruh tidak
langsung.

ANOVA Table
Sum of Squares df Mean Square F
Y *
X2
Between
Groups
(Combined) 55.900 4 13.975 3.106
Linearity 45.953 1 45.953 10.212
Deviation from
Linearity
9.947 3 3.316 .737
Within Groups 22.500 5 4.500
Total 78.400 9

Pengujian linieritas persamaan regresi menghasilkan F-hitung adalah 0.737 dengan derajat
kebebasan 3 dan 5. F-tabel dengan derajat kebebasan 3 dan 5 adalah 5.409451. Hal ini
berarti bahwa F-hitung adalah lebih kecil daripada F-tabel sehingga persamaan regresi
memenuhi persyaratan linieritas persamaan regresi. Hal ini dapat disajikan dalam grafik
sebagai berikut :

10




Analisis Regresi Jamak

Model Summary
b

Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson
1 .936
a
.875 .840 1.182 3.386
a. Predictors: (Constant), X2, X1
b. Dependent Variable: Y

Analisis regresi jamak menghasilkan koefisien korelasi antara variabel X1, X2, dan variabel
Y adalah 0.936. Hal ini berarti bahwa hubungan antara variabel-variabel ini adalah sangat
kuat. Koefisien determinasi jamak adalah 0.875 atau 87.5%. Pengaruh lansung dari variabel
X1 dan X2 terhadap variabel Y adalah 87.5% dan pengaruh tidak langsung dari variabel-
variabel di luar variabel-variabel yang diteliti adalah 12.5%. Kesalahan standar dari estimasi
adalah 1.182. Durbin-Watson adalah 3.386. Du dengan jumlah kasus sebanyak 8 dan k
adalah 2 menunjukkan nilai sebesar 1.78 dan dl adalah 4-1.78 atau 2.22. Hal ini berarti bahwa
autokorelasi terdapat antara variabel X1 dan variabel X2.
11




ANOVA
a

Model Sum of Squares df Mean Square F Sig.
1
Regression 68.624 2 34.312 24.567 .001
b

Residual 9.776 7 1.397

Total 78.400 9

a. Dependent Variable: Y
b. Predictors: (Constant), X2, X1

Tabel Anova mengandung informasi bahwa F-hitung adalah 24.567 dengan derajat
kebebasan 2 dan 7. F-tabel dengan derajat kebebasan 2 dan 7 adalah 5.143253. Hal ini berarti
bahwa F-hitung adalah lebih besar daripada F-tabel sehingga persamaan regresi jamak adalah
signifikan.

Coefficients
a

Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 2.553 1.626 1.570 .160
X1 -1.092 .271 -.552 -4.029 .005 .950 1.052
X2 1.961 .302 .889 6.490 .000 .950 1.052
a. Dependent Variable: Y

Persamaan regresi jamak adalah Y = 2.553 -1.092X1 + 1.961X2. Hal ini berarti bahwa
pengaruh total dari variabel X1 adalah -1.092 dan pengaruh total dari variabel X2 adalah
1.961. Pengujian kolinieritas menunjukkan bahwa variabel X1 dan variabel X2 tidak
mengandung multikolinieritas karena nilai Tolerance adalah 0.950 dan nilai Variance
Inflation Factor (VIF) adalah di bawah 10.

Collinearity Diagnostics
a

Model Dimension Eigenvalue Condition Index Variance Proportions
(Constant) X1 X2
1
1 2.892 1.000 .01 .01 .01
2 .075 6.212 .05 .91 .24
3 .033 9.347 .94 .08 .75
a. Dependent Variable: Y

12

Residuals Statistics
a

Minimum Maximum Mean Std. Deviation N
Predicted Value 1.88 12.13 7.40 2.761 10
Residual -1.251 1.118 .000 1.042 10
Std. Predicted Value -1.998 1.714 .000 1.000 10
Std. Residual -1.059 .946 .000 .882 10
a. Dependent Variable: Y

Hasil perhitungan Suliyanto adalah :

R
2
= 0.875
R disesuaikan = 0.840
Standard Error of estimate = 1.1818
F-hitung = 24.567

Y = 2,5529 -1,0921X
1
+1,9608X
2
+

Hasil-hasil di atas adalah benar akan tetapi Suliyanto belum melakukan pengujian normalitas
distribusi data, pengujian homogenitas varians, pengujian linieritas, pengujian
heterosedastisitas, pengujian multikolinieritas, dan pengujian otokorelasi. Suliyanto
menyebut Uji Asumsi Klasik yaitu Uji Normalitas, Non-Heterskedastisitas, Non-
Multikolinieritas, Non-Autokorelasi, dan Linearitas akan tetapi tidak melakukan pengujian-
pengujian tersebut. Pengujian Durbin-Watson menghasilkan du adalah 1.64, dl adalah 2.36
dan Durbin-Watson yang dihasilkan adalah 3.386. Hal ini berarti bahwa otokorelasi negatif
terdapat antara variabel X1 dan X2. Suliyanto sangat menguasai perhitungan-perhitungan
dalam pengujian asumsi klasik akan tetapi dalam contoh di atas Suliyanto tidak menerapkan
kemampuan tersebut.
Hal ini berarti bahwa kesimpulan dan implikasi yang disusun menjadi tidak bermakna dan
tidak bermanfaat sebagai akibat dari kesalahan memakai teknik analisis data.

[1] Suliyanto. Analisis Regresi Berganda. http://management-unsoed.ac.id

Rangkuman

Tulisan Suliyanto banyak mengandung kesalahan dan kelemahan sehingga perlu dilakukan
kritik seperti kritik yang telah dilakukan atas tulisannya tentang analisis regresi sederhana.
13

Kesalahan dan kelemahan ini perlu dikritik karena jika pembahasan ini merupakan bahan
perkuliahan maka kesalahan dan kelemahan akan berkembang secara eksponensial pada para
mahasiswa dan mereka menganggap analisis mereka tentang analisis regresi jamak adalah
benar dan serupa dengan bahan yang diterima oleh mereka dalam perkuliahan. Kritik lain
akan dilancarkan pula atas tulisah Suliyanto yang berjudul Path Analysis (Analisis Jalur),
http ://manajement-unsoed.ac.id


Depok Permata Regency, 24 Oktober 2014









UJI NORMALITAS
NON-HETEROSKEDASTISITAS
NON-MULTIKOLINIERITAS
NON-AUTOKORELASI
LINIERITAS