BAB I

PENDAHULUAN
Latar Belakang
Regresi diperkenalkan oleh Francis Galton. Analisis regresi merupakan analisis yang
memanfaatkan dua atau lebih variabel sehingga salah satu variabel bisa diramalkan dari
variabel lainnya. Pada

analisis regresi terdiri dua jenis variabel yaitu variabel

bebas

(variabel independen) dan variabel tak bebas (variabel dependen) . Variabel bebas (variabel
independen) adalah variabel yang mempengaruhi atau yang menjadi sebab perubahan atau
timbulnya variabel tak bebas, sedangkan variabel tak bebas (variabel dependen) adalah
variabel yang dipengaruhi atau yang menjadi akibat karena adanya variabel bebas. dengan
maksud menaksir atau meramalkan nilai rata-rata hitung (mean) atau rata- rata (populasi)
variabel tak bebas, dipandang dari segi yang diketahui atau tetap (constant). Untuk
menghubungkan variabel dependen dan

independen dapat digunakan model regresi

berbentuk univariat maupun multivariat. Model regresi univariat adalah model regresi yang
terdiri dari satu variabel tak bebas dan satu atau lebih variabel bebas. Sedangkan model
regresi multivariat adalah model regresi dengan lebih dari satu variabel tak bebas yang
saling berkorelasi dan satu atau lebih variabel bebas
Rumusan Masalah
1. Bagaimana persyaratan data yang digunakan pada analisis regresi ?
2. Bagaimana langkah-langkah mencari analisis regresi pada SPSS ?
3. Bagaimana cara melakukan perhitungan regresi ?
4. Bagaimana cara pengambilan keputusan pada analisis regresi ?
5. Bagaimana cara menganalisis hasil data (output) analisis regresi pada SPSS ?
Tujuan
1. Mengetahui syarat-syarat data yang digunakan pada analisis regresi
2. Mengetahui langkah- langkah mencari analisis regresi pada SPSS
3. Mengetahui cara melakukan perhitungan analisis regresi
4. Mengetahui cara pengambilan keputusan pada analisis regresi
5. Mengetahui cara menganalisis hasil data (output) dari analisis regresi pada SPSS

BAB II
PEMBAHASAN
Pengertian Analisis Regresi
Analisis regresi adalah analisis yang bertujuan untuk mengetahui apakah ada
pengaruh suatu

variabel terhadap variabel yang lain. Tujuan utama dalam penggunaan

analisis ini adalah untuk meramalkan atau menduga nilai dari satu variabel dalam
hubungannya dengan variabel yang lain yang diketahui melalui persamaan garis regresinya.
Adakalanya, setelah kita memperoleh data berdasarkan sampel, kita ingin menduga nilai dari
suatu variabel Y yang bersesuaian dengan nilai tertentu dari variabel X. Hal ini diperoleh
dengan menaksir nilai Y dari kurva kuadrat minimum yang sesuai dengan data yang kita
himpun dari sampel. Kurva yang diperoleh dan kita bentuk dari data sampel itu disebut kurva
regresi Y terhadap X, karena Y diduga dari X. Dalam hal ini, lazimnya digunakan persamaan
regresi linier sederhana sampel sebagai penduga persamaan regresi linier sederhana populasi
dengan bentuk persamaan seperti berikut : y = a + bX. Dan karena antara Y dan X memiliki
hubungan, maka nilai X dapat digunakan untuk menduga atau meramal nilai Y. X dinamakan
variabel bebas karena variabel ini nilai-nilainya tidak bergantung pada variabel lain. Dan Y
disebut variabel terikat juga karena variabel yang nilai-nilainya bergantung pada variabel
lain. Hubungan antar variabel yang akan dipelajari disini hanyalah hubungan linier
sederhana, yakni hubungan yang hanya melibatkan dua variabel (X dan Y) dan berpangkat
satu. Berkaitan dengan analisis regresi ini, setidaknya ada empat kegiatan yang lazim
dilaksanakan yakni : (1) mengadakan estimasi terhadap parameter berdasarkan data empiris,
(2) menguji berapa besar variasi variabel dependen dapat diterangkan oleh variasi
independen, (3) menguji apakah estimasi parameter tersebut signifikan atau tidak, dan (4)
melihat apakah tanda magnitude dari estimasi parameter cocok dengan teori.
Tujuan Penggunaan Analisis Regresi
Ada beberapa tujuan penggunaan analisis regresi, antara lain:
1. Regresi mampu mendeskripsikan fenomena data melalui terbentuknya suatu model
hubungan yang bersifat numerik. Regresi juga dapat digunakan untuk melakukan
pengendalian (kontrol) terhadap suatu kasus atau hal-hal yang sedang diamati melalui
penggunaan model regresi yang diperoleh. Selain itu, model regresi juga dapat
dimanfaatkan untuk melakukan prediksi variabel terikat.

2. Analisis regresi merupakan salah satu teknik analisis statistika yang paling banyak
digunakan. Analisis regresi baik yang linear maupun yang nonlinear. Pada kejadian
sehari-hari terdapat hubungan sebab akibat yang muncul, baik yang terjadi pada bidang
sains, sosial, industri maupun bisnis. Kejadian-kejadian tersebut dapat dimodelkan dalam
bentuk fungsi regresi. Secara umum, analisis regresi berkenaan dengan studi
ketergantungan suatu variabel dependen (tak bebas) pada satu atau lebih variabel
independen (bebas), dengan maksud ketergantungan model itu dapat dipergunakan
sebagai alat prediksi kejadian untuk waktu yang akan datang.
3. Salah satu tujuan dalam analisis regresi adalah mengestimasi koefisien regresi dalam
model regresi. Model regresi merupakan suatu cara formal untuk mengekspresikan dua
unsur penting suatu hubungan statistik, yaitu kecenderungan berubahnya variabel tak
bebas secara sistematis sejalan dengan berubahnya variabel bebas dan berpencarnya titiktitik di sekitar kurva taksiran model itu. Metode yang biasa digunakan untuk
mengestimasi koefisien regresi yaitu metode kuadrat terkecil.
Persyaratan Penggunaan Model Regresi
Model kelayakan regresi linear didasarkan pada hal-hal sebagai berikut:
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
Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi
signifikan jika T hitung > T table (nilai kritis)
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.
Tidak terjadi otokorelasi. Terjadi otokorelasi jika angka Durbin dan Watson (DB) sebesar
< 1 dan > 3
Keselerasan model regresi dapat diterangkan dengan menggunakan nilai r 2 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 r 2 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.
Terdapat hubungan linier antara variabel bebas (X) dan variabel tergantung (Y)
Data harus berdistribusi normal
Data berskala interval atau rasio
3

 Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas
(disebut juga sebagai variabel predictor) sedang variabel lainnya variabel tergantung
(disebut juga sebagai variabel response)
Uji Hipotesis dan Pengambilan Keputusan pada Analisis Regresi
Pengujian hipotesis dapat didasarkan dengan menggunakan dua hal, yaitu: tingkat
signifikansi atau probabilitas () dan tingkat kepercayaan atau confidence interval.
Didasarkan tingkat signifikansi pada umumnya orang menggunakan 0,05. Kisaran tingkat
signifikansi mulai dari 0,01 sampai dengan 0,1. Yang dimaksud dengan tingkat signifikansi
adalah probabilitas melakukan kesalahan tipe I, yaitu kesalahan menolak hipotesis ketika
hipotesis tersebut benar. Tingkat kepercayaan pada umumnya ialah sebesar 95%, yang
dimaksud dengan tingkat kepercayaan ialah tingkat dimana sebesar 95% nilai sample akan
mewakili nilai populasi dimana sample berasal. Dalam melakukan uji hipotesis terdapat dua
hipotesis, yaitu:

H0 (hipotessis nol) dan H1 (hipotesis alternatif)

Beberapa hal yang harus diperhatikan dalam uji hipotesis ialah;

Untuk pengujian hipotesis kita menggunakan data sample.

Dalam pengujian akan menghasilkan dua kemungkinan, yaitu pengujian signifikan

secara statistik jika kita menolak H0 dan pengujian tidak signifikan secara statistik jika
kita menerima H0.

Jika kita menggunakan nilai t, maka jika nilai t yang semakin besar atau menjauhi 0,
kita akan cenderung menolak H0; sebaliknya jika nila t semakin kecil atau mendekati
0 kita akan cenderung menerima H0.

Analisis Regresi pada SPSS

Pada analisis regresi sederhana dengan menggunakan SPSS ada beberapa asumsi dan
persyaratan yang perlu diperiksa dan diuji, beberapa diantaranya adalah :
Variabel bebas tidak berkorelasi dengan disturbance term (Error). Nilai disturbance term
sebesar 0 atau dengan simbol sebagai berikut: (E (U / X) = 0, Jika variabel bebas lebih dari
satu, maka antara variabel bebas (explanatory) tidak ada hubungan linier yang nyata,
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, Koefisien regresi harus signifikan.
4

Pengujian dilakukan dengan Uji T. Koefesien regresi signifikan jika T hitung > T table (nilai
kritis), Model regresi dapat diterangkan dengan menggunakan nilai koefisiena determinasi
(KD = r2 x 100%) semakin besar nilai tersebut maka model semakin baik. Jika nilai
mendekati 1 maka model regresi semakin baik, Data harus berdistribusi normal, Data
berskala interval atau rasio, Kedua variabel bersifat dependen, artinya satu variabel
merupakan variabel bebas (variabel predictor) sedang variabel lainnya variabel terikat
(variabel response).
Contoh Cara Kerja Analisis Regresi pada SPSS
Tabel Data Analisis Regresi

Langkah-Langkah :

Membuat data seperti diatas atau jika sudah ada buka lagi file SPSS yang memuat data ini.

Dari menu SPSS, pilih menu utama Analyze, lalu submenu Regression, kemudian pilih
Linear.

Akan muncul kotak dialog Linier Regression. Untuk pengisian, sebagai berikut: Untuk
pilihan Dependent (variabel terikat). Pilih variabel Participation. Untuk Independent(s)
5

pilih Citizenship dan Democracy Method, pilih Enter. Abaikan bagian lain Tekan OK
untuk prosessing data maka outputnya diperoleh sebagai berikut

Output dan Hasil Analisisnya

Bagian ini menggambarkan derajat keeratan hubungan antarvariabel.

Angka R sebesar 0.982(a) menunjukkan bahwa korelasi/hubungan antara Participation
dengan kedua variabel independen-nya adalah kuat (karena besarnya > 0,5).
Angka R Square atau Koefisien Determinasi adalah 0.963 (berasal dari 0,982 x 0,982).
Ini artinya bahwa 0,963 atau 96,3% variasi dari Participation dapat dijelaskan oleh
variasi dari kedua variabel independen, yaitu Democracy dan Citizenship. Sedangkan
sisanya (100-96,3 = 0,7) atau 7% dijelaskan oleh sebab-sebab yang lain. Untuk variabel
independen lebih dari dua sebaiknya gunakan Adjusted R Square yang pada latihan
kita nilainya 0,927.
Std. Error of the Estimate yang nilainya 0.85442 menggambarkan tingkat ketepatan
prediksi regresi, dimana semakin kecil angkanya maka semakin baik prediksinya.

Bagian ini menggambarkan tingkat signifikansi. Dari uji ANOVA atau F-test, didapat Fhitung
26.396 dengan tingkat signifikansi sebesar 0,037. Karena probabilitas (tingkat
signifikansi) ini lebih kecil daripada 0,05 maka model regresi ini bisa dipakai untuk
memprediksi tingkat partisipasi politik seseorang. Dengan kata lain, tingkat pengetahuan
kewarganegaraan seseorang dan tingkat perilaku demokratisnya secara bersama-sama
berpengaruh terhadap tingkat partisipasi politiknya.

Sedangkan bagian ini menggambarkan seberapa besar koefisien regresinya.

Persamaan regresi yang diperoleh adalah sebagai berikut:
Participation = -2.300 + 0,411 Citizenship + 0,768 Democracy
Konstanta sebesar

-2,30 menyatakan bahwa

jika seseorang tidak memiliki

pengetahuan kewarganegaraan dan perilaku demokratis maka partisipasi politiknya

2,30. Secara kualitatif tentu tidak ada perilaku minus, mungkin dapat
diintepretasikan dalam konteks budaya politik gal itu adalah budaya apatis. Jangan
lupa juga, bahwa secara nyata ketiga variabel itu berskala ordinal, tidak memiliki
angka nol seperti dalam batasan skala interval.
Koefisien regresi 0,411 menunjukkan bahwa setiap pengetahuan kewarganegaraan
seseorang bertambah +1 poin, maka partisipasi politiknya akan bertambah 0,411 poin
Koefisien regresi 0,768 menunjukkan bahwa setiap tingkat perilaku demokratis
seseorang bertambah +1 poin, maka partisipasi politiknya akan bertambah juga
sebesar 0,768 poin
Sedangkan uji-t digunakan untuk menguji signifikansi konstanta dan setiap variabel
Independen

Hipotesis yang dibangun adalah sebagai berikut:

Ho = Koefisien Regresi Tidak Signifikan
Hi = Koefisien Regresi Signifikan
Pengambilan keputusan (berdasarkan probabilitas, lihat kolom Sig.) adalah sebagai
7

berikut:
Jika Sig. > 0,05 maka Ho diterima
Jika Sig. < 0,05 maka Ho ditolak , Hi diterima
Terlihat bahwa pada kolom Sig. untuk ketiga variabel tersebut, yaitu konstanta = 0,453,
Citizenship = 0,57 dan Democracy = 0,361 mempunyai angka signifikansi > 0,05, dengan
demikian Ho diterima atau dengan kata lain kedua variabel tersebut tidak cukup signifikan
mempengaruhi tingkat partisipasi politik seseorang.
Analisis Regresi Linier Berganda pada SPSS
Data analisis regresi linier berganda

Langkah-Langkah :
Masukkan semua input data dalam pembentukan model regresi linier berganda.
Selanjutnya klik menu analyze, kemudian klik regression. Setelah itu pilih linier
seperti tampilan berikut ini :

Selanjutnya masukkan variabel bebas (pendapatan, pinjaman, dan dana hibah)

pada kolom independent(s) dan variabel terikat (konsumsi ITSI) pada kolom
dependent.

Pilih enter pada kolom Method. Metode Enter adalah suatu metode dalam pembentukan
taksiran model regresi dimana semua variabel bebas dilibatkan dalam pembentukan
persamaan regresinya (nantinya peneliti menentukan sendiri variabel mana yang akan diambil
sesuai uji signifikansi). Apabila diinginkan suatu taksiran model regresi linier berganda
dimana variabel bebas yang terlibat dalam model merupakan variabel yang signifikan dan
layak secara statistik untuk dimasukkan dalam model regresi linier berganda, maka pilih
metode stepwise, metode remove, metode backward, dan metode forward. Keempat metode
ini digunakan untuk menyeleksi semua variabel bebas yang dilibatkan sehingga pada
akhirnya hanya variabel bebas yang menghasilkan taksiran yang signifikan saja yang akan
dimasukkan dalam model taksiran regresi linier berganda.

Berikutnya klik kotak statistics, dan pilih estimates, confidence intervals, dan
covariance matrix dalam kolom regression coefficient dan model fit. Selanjutnya klik
continue.

Akhiri dengan meng-klik OK

Hasil Output :

dari tabel di atas diperoleh informasi bahwa taksiran nilai parameter dari regresi linier
berganda dengan hubungan X mempengaruhi Y adalah :
b0 = 10,885
b1 = 0,576
b2 = 3,260
b3 = -0,015
sehingga model taksiran regresi linier berganda adalah : =10,885+0,576X+3,260X0,015 X
Maka selanjutnya pengujian parameter (nilai parameter konstanta regresi linier berganda)
adalah :
Langkah 1.
H 0 : 0 = 0
H 1 : 0 0
Langkah 2.
Bandingkan nilaisignifikansi(0,629)dengan nilai = 5%. Nilai signifikansi(0,629) > (0,05);
maka H diterima, artinya nilai koefisien 0 untuk=5% tidak mempengaruhi nilai taksiran
dari Y dalam menganalisis regresi linier berganda. Sedangkan untuk pengujian parameter 1
(nilai parameter X dari regresi linier berganda) adalah :
Langkah 1.
H 0 : 1 = 0
H 1 : 1 0
Langkah 2.
Bandingkan nilai signifikansi (0,061) dengan nilai = 5%.Nilai signifikansi (0,061) >
(0,05); makaH diterima,artinya nilai koefisien 1 untuk=5% tidak mempengaruhi nilai
taksiran dari Y dalam menganalisis regresi linier berganda.

Untukpengujian parameter 2 (nilai parameter X dari regresi linier berganda) adalah:

10

Langkah 1.
H 0 : 2 = 0
H 1 : 2 0
Langkah 2.
Bandingkan nilai signifikansi (0,231)dengan nilai = 5%.Nilai signifikansi (0,231) > (0,05);
maka H diterima, artinya nilai koefisien 2 untuk = 5% tidak mempengaruhi nilai taksiran
dari Y dalam menganalisis regresi linier berganda. Hal ini menunjukkan bahwa nilai
parameter pinjaman tidak mempengaruhi konsumsi ITSI. Selanjutnya pengujian parameter 3
(nilai parameter X dari regresi Linier berganda) adalah :
Langkah 1.
H 0 : 3 = 0
H 1 : 3 0
Langkah 2.
Bandingkan nilai signifikansi (0,995) dengan nilai = 5%.Nilai signifikansi (0,995)> (0,05);
maka H diterima, artinya nilai koefisien 3 untuk=5% tidak mempengaruhi nilai taksiran
dari Y dalam menganalisis regresi linier berganda. Hal ini menunjukkan bahwa nilai
parameter dana hibah tidak mempengaruhi konsumsi ITSI. Cara lain untuk menguji
kelinieran persamaan regresi linier berganda adalah dengan menguji signifikansi dari
kelinieran model regresi yang terbentuk (permasalahan b) melalui tabel ANOVA (analysis of
variance). Perhatikan output SPSS berikut:

denganmenggunakan=5%,makalangkah-langkah dari pengujian signifikansi model regresi

linier berganda adalah:
Langkah 1.
H0 : Y tidak memiliki hubungan linier dengan X1 , X2 , dan X3
H1 : Y tidak memliki hubungan linier dengan X1 , X2 , dan X3
Langkah 2.
Bandingkan nilai signifikansi (0,051)dengan nilai = 5%.Nilai signifikansi (0,051)>(0,05);
maka H diterima,artinya untuk =5% tidak memiliki hubungan linier dengan X1 , X2 , dan X3
Untuk mengetahui seberapa besar kualitas model regresi linier berganda yang terbentuk,
11

perhatikan nilai koefisien determinasi (R square) = 60%. Nilai tersebut menunjukkan

informasi bahwa 60% nilai dari besarnya konsumsi ITSI telah dapat dijelaskan oleh data
tingkat pendapatan, pinjaman, dan dana hibah. Sedangkan sisanya 40% informasi mengenai
besarnya konsumsi ITSI belum dapat dijelaskan oleh variabel-variabel bebas
tersebut.

Sedangkan untuk melihat ada atau tidaknya multikolinearitas yang terjadi antar variabel
bebas pembentuk model persamaan regresi linier berganda, perhatikan output

dari tabel di atas dapat diketahui bahwa antar variabel bebas (pendapatan, pinjaman, dan
dana hibah) tidak terjadi multikolineariti. Hal ini dapat dilihat dari nilai korelasi antar
variabel beas tersebut rendah. (apabila nilai korelasi antar variabel bebas terdapat nilai
korelasi yang tinggi berarti terjadi multikolinearitas antar variabel bebas yang berkorelasi
tinggi tersebut)

BAB III
12

PENUTUP
Kesimpulan
Analisis regresi digunakan untuk melihat pengaruh variable bebas terhadap variable
tergantung serta memprediksi nilai variable tergantung dengan menggunakan variable bebas.
Dalam analisis regresi variable bebas berfungsi untuk menerangkan (explanatory) sedang
variable tergantung berfungsi sebagai yang diterangkan (the explained).Dalam analisis regresi
data harus berskala interval atau rasio.Hubungan dua variable bersifat dependensi.Untuk
menggunakan analisis regresi diperlukan beberapa persyaratan yang harus dipenuhi.
Ada dua macam linieritas dalam analisis regresi, yaitu linieritas dalam variabel dan
linieritas dalam parameter.Yang pertama, linier dalam variabel merupakan nilai rata-rata
kondisional variabel tergantung yang merupakan fungsi linier dari variabel (variabel) bebas.
Sedang yang kedua, linier dalam parameter merupakan fungsi linier parameter dan dapat
tidak linier dalam variabel.
Pengambilan keputusan dalam uji regresi dapat mengacu pada dua hal, yakni dengan
membandingkan nilai t hitung dengan t tabel, atau dengan membandingkan nilai signifikansi
dengan nilai probabilitas.
Kritik dan Saran
Dalam penulisan makalah ini, penyusun menyadari bahwa penyusunan makalah ini
tidak luput dari kesalahan dan kekurangan. Oleh karena itu, kritik dan saran yang
membangun akan senantiasa penyusun nanti dalam upaya evaluasi diri. Akhirnya penyusun
hanya bisa berharap, bahwa dibalik ketidaksempurnaan penulisan dan penyusunan makalah
ini adalah ditemukan sesuatu yang dapat memberikan manfaat bagi pembaca.

DAFTAR PUSTAKA
13

Arnita. 2013. Pengantar Statistik., Bandung: Cita Pustaka Media Perintis.

Sudjana. 2001. Metode Statistika. Bandung: PT Tarsito Bandung.
Sunardi, Nur. 2009. Pengantar Statistika. Jakarta: Bumi Aksara.
http://pendidikan-akuntansi.fe.uny.ac.id/sites/pendidikan akuntansi fe. uny.ac.id/ files/
Korelasi %20dan%20Regresi.pdf (Diakses Tanggal 30 November 2015)
http://file.upi.edu/Direktori/FPIPS/LAINNYA/MEITRI_HENING/Modul/Modul_Regresi_
Berganda.pdf (Diakses Tanggal 30 November 2015)

14