REGRESI SEDERHANA
Regresi atau peramalan adalah suatu proses memperkirakan secara sistematis tentang
apa yang paling mungkin terjadi dimasa yang akan datang berdasarkan informasi masa lalu
dang sekarang yang dimiliki agar kesalahannya dapat diperkecil. Regresi dapat juga
diartikan sebagai usaha memperkirakan perubahan. Supaya tidak salah paham bahwa
peramalan tidak memberikan jawaban pasti tentang apa yang akan terjadi, melainkan
berusaha mencari pendekatan apa yang terjadi. Jadi, regresi mengemukakan tentang
keingintahuan apa yang terjadi dimasa depan untuk memberikan kontribusi menentukan
keputusan yang terbaik.
Keingintahuan dimasa depan sejak dulu merupakan bahasan yang menarik dan
penting. Beberapa nama besar seperti joyoboyo (raja Kediri kuno) dan Ronggo Wasito
(pujangga kerajaan Surakarta) mendapat tempat terhormat di masyarakat jawa karena
akurasi ramalannya. Demikian juga dengan Alfin Toffler ( future Shock, 1970 dan The Third
Wave, 1980), John Naisbitt ( Megatrends 2000) dan Michael porter (Competitive Adfantage
of Nation) mereka menjadi terkenal dan kaya atas hasil karyanya tentang pemikiran masa
depan. Sampai saat ini semua organisasi memerlukan pemikiran masa depan untuk
membantu menentukan keputusan yang terbaik.
Kegunaan regresi dalam penelitian salah satunya adalah untuk meramalkan atau
memprediksi variabel terikat (Y) apabila variabel bebas (X) deketahui. Regresi sederhana
dapat dianalisis karena didasari oleh hubungan fungsional atau hubungan sebab akibat
(kausal) variabel bebas (X) terhadap variabel terikat (Y). Karena ada perbedaan yang
mendasar dari analisis korelasi dan analisis regresi. Pada dasarnya analisis regresi dan
analisi korelasi keduanya punya hubungan yang sangat kuat dan mempunyai keeratan.
Setiap analisis regresi otomatis ada analisi korelasinya, tetapi sebaliknya analisis korelasi
belum tentu diuji regresi atau diteruskan dengan analisis regresi.
Analisis kerelasi yang tidak dilanjutkan dengan analisis regresi adalah analisis
korelasi yang kedua variabelnya tidak mempunyai hubungan fungsional dan sebab akibat.
Apabila peneliti mengetahui hal ini lebih lanjut, maka perlu konsep dan teori yang
mendasari kedua variabel tersebut.
Persamaan regresi dirumuskan :
= a + bX
Dimana :
Y = (baca Y topi) subjek fariabel terikat yang di proyeksikan
X = Variabel bebas mempunyai nilai tertentu untuk diprediksikan
a = Nilai konstanta harga Y jika X = 0
b
peningkatan
n XY X Y
n X 2 ( X ) 2
a=
Y b X
n
n XY X Y
n X 2 ( X ) 2
a=
Y b X
n
JKReg (a) =
( Y ) 2
n
XY ( X )( Y )
n
JKReg [b|a] = b.
JKRes =
JK Re g [ b a ] JK Re g [ a ]
Langkah 8. Mencari Rata-rata Jumlah Kuadrat Regresi (RJKReg [a]) dengan rumus:
RJK Reg[a] = JKReg[a]
Langkah 9. Mencari Rata-rata Jumlah Kuadrat Regresi (RJKReg [b|a] dengan rumus:
RJK Reg[b|a] = JKReg[b|a]
Langkah 10. Mencari Rata-rata Jumlah Kuadrat Residu (JKRes) dengan rumus:
RJK Res =
JK Re s
n2
Fhitung =
RJK Re s
2
50
3
60
1
30
4
70
1
40
3
50
2
40
2
35
d. Buktikan apakah ada pengaruh yang signifikan antara pengalaman kerja (X) terhadap
penjualan barang elektronik (Y)
e. Buktikan apakah data tersebut berpola linier?
Langkah-langkah menjawab:
Langkah 1.
Membuat Ha dan Ho dalam bentuk kalimat:
Ha: Terdapat pengaruh yang signifikan antara pengalaman kerja terhadap penjualan barang
elektronik di kabupaten Gresik.
Ho: Tidak terdapat pengaruh yang signifikan antara pengalaman kerja terhadap penjualan
barang elektronik di kabupaten Gresik.
Langkah 2.
Membuat Ha dan Ho dalam bentuk statistik:
Ha: r 0
Ho: r = 0
Langkah 3.
Membuat tabel penolong untuk menghitung angka statistik:
No/statistik
1
2
3
4
5
6
7
8
Jumlah ( )
X
2
3
1
4
1
3
2
2
Y
50
60
30
70
40
50
40
35
X2
4
9
1
16
1
9
4
4
Y2
2500
3600
900
4900
1600
2500
1600
1225
XY
100
180
30
280
40
150
80
70
18
375
48
18825
930
Langkah 4.
Masukkan angka-angka statistik dari tabel penolong dengan rumus:
(1) Menghitung rumus b:
n XY X Y
n X 2 ( X ) 2
11,5
60
8.(48) (18) 2
a=
21
n
8
8
a)
(4) Membuat garis persamaan regresi:
X
X 18
2,25
n
8
Y 375
46,875
n
8
80 -
80 4
70 -
60 50 40 35
30 -
60 -
1 6
40 -
35
30 - a=21
20 -
20 -
10 -
10 -
5 X
c)
Menguji Signifikansi dengan Langkah-langkah berikut:
Langkah 1.
2,25; 46,876
50 -
5 7
8
3
Persamaan
Garis Regresi
70 -
JKReg (a) =
( Y ) 2 (375) 2 140625
17578,125
n
8
8
Langkah 2.
Mencari Jumlah Kuadrat Regresi (JKReg [b|a]) dengan rumus:
XY ( X )( Y )
n
JKReg [b|a] = b.
Langkah 3.
Mencari Jumlah Kuadrat Residu (JKRes) dengan rumus:
JKRes =
JK Re g [ b a ] JK Re g [ a ]
=18825 991,875 17578,125 = 225
Langkah 4.
Mencari Rata-rata Jumlah Kuadrat Regresi (RJKReg [a]) dengan rumus:
RJK Reg[a] = JKReg[a] = 17578,125
Langkah 5.
Mencari Rata-rata Jumlah Kuadrat Regresi (RJKReg [b|a]) dengan rumus:
RJK Reg[b|a] = JKReg[b|a] = 991,875
Langkah 6.
Mencari Rata-rata jumlah Kuadrat Residu (RJKRes) dengan rumus:
RJK Res =
JK Re s
n2
225
42,5
82
Langkah 7.
Menguji Signifikansi dengan rumus:
RJK Re g ( b a )
Fhitung =
RJK Re s
991,875
23,34
42,5
kabupaten
Gresik
............................................................................................................
(Jawaban d)
Menguji Linieritas dengan Langkah-langkah berikut:
Langkah 1.
Mencari Jumlah Kuadrat Error (JKE) dengan rumus:
(Y ) 2
JK E Y 2
2247,01
n
k
Sebelum mencari nilai JKE urutkan data X mulai dari data yang paling kacil sampai data yang
paling besar berikut disertai pasangannya (Y), seperti tabel penolong berikut:
Tabel Penolong Pasangan Variabel X dan Y untuk Mencari (JKE)
No.
Kelompok
k1
k2
k3
30
40
35
40
50
50
60
70
terbesar X
MENJADI
2
50
1
3
60
1
1
30
2
4
70
2
1
40
2
3
50
3
2
40
3
2
35
4
Keterangan : n = jumlah kelompok yang sama
k4
1
k = 4 kelompok
JkE
30 2 40 2
(30 40) 2
2
(35 40 50) 2
35 2 40 2 50 2
3
(50 60) 2
50 2 60 2
2
= (50 + 116,67 + 50 + 0)
JKE = 216,67
Langkah 2.
Mencari Jumlah Kuadrat Tuna Cook (JKTC) dengan rumus:
JKTC = JKRes + JKE = 225 216,67 = 38,33
Langkah 3.
Mencari Rata-rata Jumlah Kuadrat Tuna Cocok (RJKTC) dengan rumus:
RJKTC =
JK TC 38,33
19,165
k 2 42
Langkah 4.
Mencari Rata-rata Jumlah Kuadrat Error (RJKE) dfengan rumus:
RJKE =
JK E
216,67
54,1675
nk
84
Langkah 5.
Mencari nilai Fhitung dengan rumus:
(70) 2
70 2
1
Fhitung =
RJK TC
19,165
0,35
RJK E
54,1675
Perlu diketahui bahwa uji linieritas berbeda dengan uji signifikansi, adapun perbedaannya
terletak pada pengambilan keputusan (kaidah penguji), yaitu:
1) Menentukan Keputusan Penguji Signifikansi
Jika Fhitung Ftabel, maka tolak Ho artinya signifikan dan
Fhitung Ftabel, terima Ho artinya tidak signifikan
2) Menentukan Keputusan Penguji Linieritas
Jika Fhitung Ftabel, maka tolak Ho artinya data berpola linier dan
Fhitung Ftabel, maka tolak Ho artinya data berpola tidak linier
Langkah 6.
Menentukan Keputusan Pengujin Linieritas
Jika Fhitung Ftabel, maka tolak Ho artinya data berpola linier dan
Fhitung Ftabel, maka tolak Ho artinya data berpola tidak linier
Dengan taraf signifikan () =0,05
Ftabel
dk = 2 pembilang
dk = 4 = penyebut
Ftabel = 6,94
Langkah 7.
Membandingkan Fhitung dengan F tabel
Ternyata Fhitung < F tabel atau 0,35 < 6,94, maka tolak Ho artinya data berpola linier
Kesimpulan variabel pengalaman kerja terhadap penjualan barang elektronik di
kabupaten
Gresik
berpola
linier
........................................................................................
(Jawaban e)
Tabel Ringkasan Anava Variabel X dan Y uji signifikansi dan uji Linieritas
Sumber
Derajat
Jumlah
Rat-rata
fariansi
kebebasan
Kuadrat (JK)
Jumlah
(dk)
Fhitung
Ftabel
Kuadrat
(RJK)
total
Y 2
Regresi (a)
JKReg (a)
RJKReg(a)
linier
Keterangan:
Regresi(bla)
JK(bla)
RJK(bla)
Perbandingan
Residu
Tuna
Cocok
n2
k2
JkRes
JKTC
RJKres
RJKTC
dengan
Kesalahan
nk
JKE
RJKE
Signifikan
Fhitung
Ftabel signifikan
dan linieritas
(Error)
Tabel ringkasan Anava Variabel X dan Y uji signifikansi dan uji linieritas
Sumber
Derajat
Jumlah
Rata-rata
Variansi
kebebasan
Kuadrat (JK)
Jumlah
Total
(dk)
8
Fhitung
Ftabel
Kuadrat (RJK)
18825
Sig = 23,24
5,99
6,94
perbandingan
Regresi (a)
17578,125
17578,125
Linier = 0,35
Keterangan:
Regresi (bla)
991,875
991,875
Residu
Tuna Cocok
6
2
255
83,33
42,5
19,165
Kesalahan
216,67
54,1675
(Error)
B. KORELASI PPM
Analisis korelasi banyak jenisnya, ada sembilan jenis korelasi yaitu : Korelasi pearson
Product Moment (r) ; Korelasi Ration (y); Korelasi Spearman Rank atau Rhi ( rs atau p);
Korelasi Berserial (rb); Korelasi Korelasi Poin Berserial (r pb); Korelasi Phi (0); Korelasi
Tetrachoric (rt); Korelasi Kontigency (C); Korelasi Kendalls Tau (8), Bagaimana cara
menggunakannya ? tergantung pada jenis data yang dihubungkan.
Berdasarkan sembilan teknik analisis korelasi tersebut, maka dipilih dan dibahas ialah
Korelasi Pearson Product Moment (r) karena sangat populer dan sering dipakai oleh
mahasiswa dan peneliti. Korelasi ini dikemukakan oleh Karl Pearson tahun 1900.
Kegunaannya untuk mengetahui derajat hubungan dan kontribusi variabel bebas
(independen) dengan variabel terikat (dependent).
Teknik analisis Korelasi PPM termasuk teknik statistik para metrik yang menggunakan
interval dan ratio dengan persyaratan tertentu. Misalnya: data dipilih secara acak (random);
datanya berdistribusi normal; data yang dihubungkan berpola linier; dan data yang
dihubungkan mempunyai pasangan yang sama sesuai dengan subjek yang sama. Kalau salah
satu tidak terpunuhi persaratan tersebut analisis korelasi tidak dapat dilakukan. Rumus yang
digunakan Korelasi PPM adalah:
rxy
n XY ( X )( Y )
{n X 2 ( X ) 2 }{n Y 2 ( Y ) 2 }
Korelasi PPM dilambangkan (r) dengan ketentuan nilai r tidak lebih dari harga (-1< r <
+ 1). Apabilah nilai r = -1 artinya korelasinya negatif sempurna; r = 0 artinya tidak ada
korelasi dan r = 1 berarti korelasinya sangat kuat. Sedangkan arti harga r akan
dikonsultasikan dengan tabel interpretasi nilai r sebagai berikut.
Interpretasi Koefisien Korelasi Nilai r
Interval Koefisien
0,80 1,000
0,60 0,799
0,40 0.599
0,20 0,399
0,00 0,199
Tingkat Hubungan
Sangat Kuat
Kuat
Cukup Kuat
Rendah
Sangat Rendah
KP = r2 x 100%
keterangan:
KP
r
Pengujian lanjutan yaitu uji signifikansi yang berfungsi apabila peneliti ingin mencari
makna hubungan variabel X terhadap Y, maka hasil korelasi PPM tersebut diuji dengan uji
Signifikansi dengan rumus :
hitung
r n2
1 r2
keterangan:
thitung = Nilai t
r
= Nilai Koefisien korelasi
n
= Jumlah Sampel
Y2
202500
225625
202500
220900
225625
207025
XY
27000
33250
33750
30550
33250
27300
7.
8.
9.
10.
11.
12.
80
75
85
90
70
85
475
470
485
480
475
480
6400
5625
7225
8100
4900
7225
225625
220900
235225
230400
225625
230400
38000
35250
41225
43200
33250
40800
Statistik
X
Y
X2
Y2
XY
Jumlah
885
5640
66325
2652350
416825
Langkah 4.
Mencari rhitung dengan cara masukkan angka statistik dari tabel penolong dengan rumus ;
rxy
rxy
rxy
n XY ( X )( Y )
{n X 2 ( X ) 2 }{n Y 2 ( Y ) 2 }
12(416.825) (885).(5.460)
{12.(66.325) (885) 2 }.{12.(2.652.350) (5.640) 2 }
169.900
133.463.835.000
169.00
0,465
365.327,02
Langkah 5.
Mencari besarnya sumbangan (konstribusi) variabel X terhadap Y dengan rumus :
KP = r2 x 100% = 0,4652 x 100% = 21,62 %.
Artinya motivasi memberikan konstribusi terhadap kinerja dosen sebesar 21,62% dan
sisanya 78,38% ditentukan oleh variabel lain.
Langkah 6.
Menguji signifikan dengan rumus thitung :
hitung
r n2
1 r2
0,465 12 2
1 0,684 2
2,15
3,329
0,88
Kaidah pengujian :
Jika
tidak signifikan.