Analisa regresi dan korelasi (1) Pengertian : Analisis regresi merupakan salah satu analisis yang bertujuan untuk

mengetahui pengaruh suatu variabel terhadap variabel lain. Dalam analisis regresi, variabel yang mempengaruhi disebut Independent Variable (variabel bebas) dan variabel yang dipengaruhi disebut Dependent Variable (variabel terikat). Jika dalam persamaan regresi hanya terdapat satu variabel bebas dan satu variabel terikat, maka disebut sebagai persamaan regresi sederhana, sedangkan jika variabel bebasnya lebih dari satu, maka disebut sebagai persamaan regresi berganda.

Analisis Korelasi merupakan suatu analisis untuk mengetahui tingkat keeratan hubungan antara dua variabel. Tingkat hubungan tersebut dapat dibagi menjadi tiga kriteria, yaitu mempunyai hubungan positif, mempunyai hubungan negatif dan tidak mempunyai hubungan. Analisis Regresi Sederhana : digunakan untuk mengetahui pengaruh dari variabel bebas terhadap variabel terikat atau dengan kata lain untuk mengetahui seberapa jauh perubahan variabel bebas dalam mempengaruhi variabel terikat. Dalam analisis regresi sederhana, pengaruh satu variabel bebas terhadap variabel terikat dapat dibuat persamaan sebagai berikut : Y = a + b X. Keterangan : Y : Variabel terikat (Dependent Variable); X : Variabel bebas (Independent Variable); a : Konstanta; dan b : Koefisien Regresi. Untuk mencari persamaan garis regresi dapat digunakan berbagai pendekatan (rumus), sehingga nilai konstanta (a) dan nilai koefisien regresi (b) dapat dicari dengan metode sebagai berikut : a = [( Y . X2) ( X . XY)] / [(N . X2) ( X)2] atau a = ( Y/N) b ( X/N) b = [N( XY) ( X . Y)] / [(N . X2) ( X)2]

http://skripsimahasiswa.blogspot.com/2009/12/analisa-regresi-dan-korelasi-1.html

MEMAHAMI ANALISIS REGRESI SEBELUM MENGGUNAKANNYA

Regresi adalah analisis yang paling banyak digunakan dalam berbagai penelitian, baik penelitian teoritis maupun penelitian terapan. Dalam penelitian teoritis baik yang dilakukan sebagai tugas akhir pendidikan (skripsi, thesis, dan disertasi) maupun penelitian teoritis lainnya, ana regresi juga menjadi salah satu alat analisis yang paling digandrungi. Hal ini terjadi karena konsep yang terkandung dalam analisis regresi cukup baik dan kuat dalam menjelaskan hubungan antar variabel yang sedang diteliti sementara proses pengolahan relatif mudah.

Namun sayangnya, banyak peneliti menggunakan analisis regresi tanpa memahami konsep dasar analisis regresi. Analisis regresi dibangun dasar konsep persamaan garis lurus. Analisis regresi berusaha membuat satu garis yang dapat dianggap mewakili pola data yang ada. Misa hanya terdapat dua buah data (direpresentasikan dengan dua titik dalam bidang kartesius), maka akan sangat mudah membuat sebuah ga dimana kedua titik tersebut secara sempurna dilewati oleh titik tersebut. Misalkan, masukanlah titik A (1, 1) dan titik B (4, 4), maka akan diperoleh suatu garis yang melewati titik A dan B. Namun jika jumlah data ditingkatkan, misalnya dengan titik C (2, 3), maka sudah tidak la mungkin untuk menarik suatu garis lurus yang melewati titik A, B, dan C. Persamaan garis lurus akan tetap dapat dibuat secara sempurna titik selanjutnya adalah (2, 2), (3, 3), (5, 5), dst.

Pada kenyataannya jika asumsi bahwa data bisa dilewati oleh suatu garis lurus digunakan dalam suatu penelitian, maka hampir dipastikan tersebut tidak akan tercapai. Tidak akan ada suatu garis yang dapat secara sempurna melewati semua titik data yang diperoleh. Namun ha tidak membuat analisis dengan mengasumsikan garis lurus tidak dapat digunakan. Secara praktis dapat dibuat suatu garis yang paling dek dengan semua titik-titik tersebut. Pemahaman praktis ini sebenarnya dapat diterapkan dengan membuat plot data dalam bidang kartesius. Secara visual kita dapat melihat apakah data yang ada akan dapat membentuk suatu garis lurus atau tidak. Masalah yang sering timbul ad

data sebenarnya tidak memiliki pola garis lurus, namun dipaksakan lurus agar penelitian yang dilaksanakan dapat selesai. Hal ini tentu ak membuat temuan penelitian menjadi sangat tidak bermakna.

Jika anda menggambarkan rangkaian data berikut ini [(1,1), (2,4), (3,9), (4,16), dst) dalam bidang kartesisus, maka tidak mungkin hal ini diasumsikan membentuk garis lurus, namun seharusnya dapat dianggap sebagai persamaan kuadrat. Contoh lain, gambarkanlah rangkaian berikut [(1,1), (1,6), (6,1), (6,6) (3,3)] dalam suatu bidang kartesius, maka akan sangat sulit untuk membuat garis lurus yang mendekati s

titik tersebut. Memaksakan asumsi garis lurus pada data-data tersebut tidak masuk akal. Secara statistik digunakan berbagai asumsi yang menentukan apakah sekumpulan data dapat kita analisis dengan analisis regresi.

Konsep teoritis dalam membuat suatu persamaan garis lurus untuk sekumpulan data yang relatif tersebar adalah dengan membuat suatu g dimana penyimpangan data aktual terhadap garis tersebut adalah yang terkecil diantara semua kemungkinan garis yang dapat dibentuk. Penyimpangan total dihitung dari jarak antara titik data dengan garis kompromi tersebut. Karena sebahagian data ada di atas atau bawa kanan atau kiri garis, maka menjumlahkan nilainya akan menghasilkan nilai yang saling meniadakan sehingga jumlah penyimpangan bagi g yang paling mendekati adalah nol. Pada saat tersebut jumlah penyimpangan yang terjadi paling kecil. Untuk menghindarkan efek saling meniadakan antara nilai minus dan positif, maka perhitungan penyimpangan dapat menggunakan angka absolut atau angka yang telah dikuadratkan. Penggunaan angka penyimpangan (error) yang dikuadratkan adalah metode paling umum yang digunakan saat ini. Metode i disebut dengan metode kuadrat terkecil (Ordinary Least Square), Konsep dasarnya sama dengan penjelasan diatas yaitu garis lurus yang p mendekati, bukan garis yang melewati semua data yang ada. Pemahaman ini seharusnya membuat kita mengerti bahwa setiap garis lurus dibuat akan memiliki tingkat error tertentu. Semakin besar tingkat error, maka persaman garis lurus tersebut semakin lemah daya penjelas

Garis lurus yang telah dibuat akan dapat dituliskan dalam bentuk persamaan umum garis lurus yaitu Y = a + bX. A dan B disebut paramete Persamaan ini dapat digunakan untuk mencapai salah satu tujuan analisis regresi yaitu meramalkan nilai Y pada nilai X tertentu baik itu un sampel lain yang tidak dimasukkan dalam penelitian ataupun untuk peramalan untuk periode waktu yang akan datang. Sebelum kita menggunakan data untuk sebuah analisis regresi, ada beberapa persyaratan yang perlu untuk diperhatikan, yaitu : 1. 2. Data harus berdistribusi normal (Konsep dan penjelasan terkait hal ini akan dijelaskan pada artikel lain) tidak cocok digunakan dalam analisis regresi. Terkait hal ini akan dijelaskan dengan detail pada artikel lain.

Data berskala interval atau rasio. Kesalahan fatal dalam penggunaan regresi berganda yang paling sering saya temukan adalah data

Terkait dengan penjelasan diatas, maka secara statistik, ada beberapa asumsi yang harus dipenuhi agar suatu persamaan garis lurus dapa dimanfaatkan dalam analisis, yaitu : 1. 2. 3. 4. 5. 6. 7.

Model regresi harus dibangun atas dasar konsep teoritis dan logika yang benar. Hubungan antara variabel yang dijelaskan (depende dengan variabel penjelas (Independen) harus dapat dijelaskan secara logis. Model regresi harus membentuk suatu garis lurus. Variabel bebas tidak berkorelasi dengan disturbance term (Error) . Nilai error sebesar 0 (Seperti yang telah dijelaskan diatas) Varian untuk masing-masing error term (kesalahan) konstan (Heteroskedastisitas) (Akan dijelaskan pada artikel lainnya) Tidak terjadi otokorelasi (Akan dijelaskan pada artikel lainnya) (Akan dijelaskan pada artikel lainnya)

Jika variabel bebas lebih dari satu, maka antara variabel bebas (explanatory) tidak ada hubungan linier yang nyata (Multikolinearitas

Analisis terhadap persamaan regresi yang dibentuk harus memperhatikan beberapa hal berikut : 1.

Signifikansi model. Nilai signifikansi yang paling umum digunakan untuk penelitian sosial adalah 0.05, sehingga nilai signifikansi mod

yang kita peroleh dapat dikatakan signikan jika nilai signifikansinya lebih kecil dari 0.05. Nilai ini dapat dengan mudah diperoleh dari

output SPSS. Namun demikian perlu untuk dibiasakan tidak membatasi apakah model signifikan atau tidak hanya karena batasan 0.0

akan jauh lebih baik menggunakakan nilai signifikan dan pembaca yang menentukan menurut preferensi mereka masing-masing apa

model tersebut signifikan atau tidak. Misalnya jika kita memperoleh nilai signifikansi 0.06, maka seseorang yang mentoleransi signifi

sampai 0.05 akan mengatakan model tersebut tidak signifikan namun tidak demikian bagi seseorang yang mentoleransi signikansi p nilai 0,1. 2. 3. Hal yang sama juga dapat dilakukan pada uji signifikansi masing-masing variabel. Jika sebuah persamaan disimpulkan tidak signifikan, maka parameter yang dihasilkan tidak perlu untuk diintepretasikan lebih lanjut angka-angka tersebut tidak bermakna secara statistik.

http://www.chandrasitumeang.com/index.php?option=com_content&view=article&id=83:memaha mi-analisis-regresi-sebelum-menggunakannya&catid=41:metodologi-penelitian&Itemid=71