Anda di halaman 1dari 7

I.

Analisa Regresi
a. Pengertian
Untuk mengukur besarnya pengaruh variabel bebas terhadap variabel
tergantung dan memprediksi variabel tergantung dengan menggunakan
variabel bebas. Gujarati (2006) mendefinisikan analisis regresi sebagai kajian
terhadap hubungan satu variabel yang disebut sebagai variabel yang
diterangkan (the explained variabel) dengan satu atau dua variabel yang
menerangkan (the explanatory). Variabel pertama disebut juga sebagai
variabel tergantung dan variabel kedua disebut juga sebagai variabel bebas.
Jika variabel bebas lebih dari satu, maka analisis regresi disebut regresi linear
berganda. Disebut berganda karena pengaruh beberapa variabel bebas akan
dikenakan kepada variabel tergantung.

Analisis regresi lebih akurat dalam melakukan analisis korelasi,


karena pada analisis itu kesulitan dalam menunjukkan slop (tingkat
perubahan suatu variabel terhadap variabel lainnya dapat ditentukan). Dengan
demikian maka melalui analisis regresi, peramalan nilai variabel terikat pada
nilai variabel bebas lebih akurat pula.

b. Tujuan
Tujuan menggunakan analisis regresi ialah:
1. Mengadakan estimasi terhadap parameter berdasarkan data empiris
2. Menguji berapa besar variasi variabel dependen dapat diterangkan oleh
variasi variabel independen
3. Menguji apakah estimasi parameter tersebut signifikan atau tidak
4. Melihat apakah tanda dan magnitud dari estimasi parameter cocok
dengan teori (M. Nazir, 1983)
c. Asumsi
Penggunaan regresi linear sederhana didasarkan pada asumsi diantaranya
sbb:
1. Model regresi harus linier dalam parameter
2. Variabel bebas tidak berkorelasi dengan disturbance term (Error)
3. Nilai disturbance term sebesar 0 atau dengan simbol  sebagai berikut: (E
(U / X) = 0
4. Varian untuk masing-masing error term (kesalahan) konstan
5. Tidak terjadi otokorelasi
6. Model regresi dispesifikasi secara benar. Tidak terdapat bias spesifikasi
dalam model yang digunakan dalam analisis empiris.
7. Jika variabel bebas lebih dari satu, maka antara variabel bebas
(explanatory) tidak ada hubungan linier yang nyata
 
d. Persyaratan Penggunaan Model Regresi
Model kelayakan  regresi linear didasarkan pada hal-hal sebagai berikut:
1. Model regresi dikatakan layak  jika angka signifikansi pada ANOVA
sebesar < 0.05
2.  Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan
ini diketahui jika angka Standard Error of Estimate < Standard Deviation
3. Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji T.
Koefesien regresi signifikan jika T hitung > T table (nilai kritis)
4. 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.
5. Tidak terjadi otokorelasi. Terjadi otokorelasi jika angka Durbin dan
Watson (DB) sebesar < 1 dan > 3
6. Keselerasan model regresi dapat diterangkan dengan menggunakan nilai
r2 semakin besar nilai tersebut maka model semakin baik. Jika nilai
mendekati 1 maka model regresi semakin baik. Nilai r 2mempunyai
karakteristik diantaranya: 1) selalu positif, 2) Nilai r2 maksimal sebesar 1.
Jika Nilai r2 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.
7. Terdapat hubungan linier antara variabel bebas (X) dan variabel
tergantung (Y)
8. Data harus berdistribusi normal
9. Data berskala interval atau rasio
10. 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)
e. Linieritas
  

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.

f. Rumus Analisis Regresi Linear Sederhana

Persamaan regresi linier dari Y terhadap X dirumuskan sebagai berikut:

Y=a+bX

Keterangan:

Y = variabel terikat

X = variabel bebas

a = intersep

b = koefisien regresi/slop
II. Analisis of Variance (ANOVA)
a. Pengertian

Analisis varians (analysis of variance, ANOVA) adalah


suatu metode analisis statistika yang termasuk ke dalam cabang statistika
inferensi. Dalam literatur Indonesia metode ini dikenal dengan berbagai nama
lain, seperti analisis ragam, sidik ragam, dan analisis variansi. Ia merupakan
pengembangan dari masalah Behrens-Fisher, sehingga uji-F juga dipakai
dalam pengambilan keputusan. Analisis varians pertama kali diperkenalkan
oleh Sir Ronald Fisher, bapak statistika modern. Dalam praktik, analisis
varians dapat merupakan uji hipotesis (lebih sering dipakai)
maupun pendugaan (estimation, khususnya di bidang genetika terapan).

Analisis Varians adalah teknik perhitungan yang memungkinkan


secara kuantitatif mengestimasikan kontribusi dari setiap faktor pada semua
pengukuran respon. Analisis varians yang digunakan pada desain parameter
berguna untuk membantu mengidentifikasikan kontribusi faktor sehingga
akurasi perkiraan model dapat ditentukan.
ANOVA dua arah adalah data percobaan yang terdiri dari dua faktor atau
lebih dan dua level atau lebih. Tiga suku akan menjadi komponen Tabel A-
nalisis Variansi (ANOVA) sebagai berikut :

Tabel ANOVA
Derajat Kuadrat tengah
Sumber Jumlah Kuadrat
Bebas (KT) = JK/db
Variasi (JK)
(db) (MS)
(Source) (SS)
(df)
n
Regresi 1 ∑ (Y^ i−Ȳ )2 KTRegresi
i =1
n
JK
Error n-2 ∑ (Y i−Y^ i )2 s2=
i=1 n−2
atau
Residual
Total, n

terkoreks n-1 ∑ (Y i−Ȳ i )2


i i=1

b. Asumsi

Supaya sahih (valid) dalam menafsirkan hasilnya, analisis varians


menggantungkan diri pada empat asumsi yang harus dipenuhi dalam
perancangan percobaan:

1. Data berdistribusi normal, karena pengujiannya menggunakan uji F-Snedecor

2. Varians atau ragamnya homogen, dikenal sebagai homoskedastisitas, karena


hanya digunakan satu penduga (estimate) untuk varians dalam contoh

3. Masing-masing contoh saling bebas, yang harus dapat diatur dengan


perancangan percobaan yang tepat
4. Komponen-komponen dalam modelnya bersifat aditif (saling menjumlah).
Tugas Statistik Analisa Regresi dan Anova

Disusun oleh:
Ikfini Ma’anillah (H0910037)

JURUSAN ILMU DAN TEKNOLOGI PANGAN


FAKULTAS PERTANIAN
UNIVERSITAS SEBELAS MARET
2011

Anda mungkin juga menyukai