Analisis regresi mempelajari bentuk hubungan antara satu atau lebih peubah/variabel bebas
(X) dengan satu peubah tak bebas (Y). dalam penelitian peubah bebas ( X) biasanya peubah
yang ditentukan oleh peneliti secara bebas misalnya dosis obat, lama penyimpanan, kadar zat
pengawet, umur ternak dan sebagainya.
Disamping itu peubah bebas bisa juga berupa peubah tak bebasnya, misalnya dalam
pengukuran panjang badan dan berat badan sapi, karena panjang badan lebih mudah diukur
maka panjang badan dimasukkan kedalam peubah bebas (X), sedangkan berat badan
dimasukkan peubah tak bebas (Y).
Sedangkan peubah tak bebas (Y) dalam penelitian berupa respon yang diukur akibat
perlakuan/peubah bebas (X). misalnya jumlah sel darah merah akibat pengobatan dengan
dosis tertentu, jumlah mikroba daging setelah disimpan beberapa hari, berat ayam pada umur
tertentu dan sebagainya.
Bentuk hubungan antara peubah bebas (X) dengan peubah tak bebas (Y) bisa dalam bentuk
polinom derajat satu (linear) polinom derajat dua (kuadratik). Polinom derajat tiga (Kubik)
dan seterusnya. Disamping itu bisa juga dalam bentuk lain misalnya eksponensial, logaritma,
sigmoid dan sebagainya. Bentuk-bentuk ini dalam analisis regresi-korelasi biasanya
dilakukan transformasi supaya menjadi bentuk polinom.
Persamaan Regresi
Dalam bentuk yang paling sederhana yaitu satu peubah bebas (X) dengan satu peubah tak
bebas (Y) mempunyai persamaan:
Y =a +bx
Disini a disebut intersep dan b adalah koefisien arah atau koefisien beta.
Dalam pengertian fungsi persamaan garis Y + a + bx hanya ada satu yang dapat dibentuk dari
dua buah titik dengan koordinat yang berbeda yaitu ( X1, Y1) dan X2,Y2).
Hal ini berarti kita bisa membuat banyak sekali persamaan garis dalam bentuk lain melalui
dua buat titik yang berbeda koordinatnya/tidak berimpit.
Contoh Persamaan
Regresi
Sebagai contoh misalnya titik A (1,3) dan titik B ($,9) maka persamaan garis linear yang
dapat dibuat adalah:
Penulisan pengamatan
Jadi kita peroleh matrik Y,X, dan dengan dimensi sebagai berikut :
Bila modelnya benar merupakan penduga terbaik yaitu dengan jalan melakukan
penggandaan awal dengan X sehingga diperoleh persamaan normal sebagai berikut:
Jadi =(XX)-1XY
Seorang peneliti ingin mengetahui bentuk hubungan antara jumlah cacing jenis tertentu
dengan jumlah telurnya pada usus ayam buras. Untuk tujuan tersebut diperiksa 20 ekor ayam
dan ditemukan sebagai berikut:
Tabel 1 jumlah cacing dan jumlah telurnya pada usus ayam buras.
Dari data diatas kita bisa menghitung:
Bila kita duga bentuk hubungan antara jumlah cacing (X) dan jumlah telurnya (Y) adalah:
Jadi =-2,442 + 4,103 Xi,
Persamaan garis regresi Yi =-2,442 + 4,103 Xi bukanlah satu-satunya garis penduga untuk
menyatakan hubungan antara jumlah cacing dengan jumlah telurnya. Sudah barang tentu
masih banyak lagi bentuk persamaan penduga yang dapat dibuat misalnya dalam bentuk
persamaan Yi=o+1Xi+2Xi2,Yi=oXi1(dalam bentuk linear LnYi=Ln o+iLnXi) dan
masih banyak lagi bentuk yang lainnya.
Untuk menyatakan apakah garis yang diperoleh cukup baik untuk menggambarkan hubungan
antara peubah bebas (X) dengan peubah tak bebas (Y) dapat dilakukan pengujian bentuk
model yang digunakan dan keeratan hubungannya (korelasi) untuk menyatakan ketepatan dan
ketelitian persamaan garis regresi yang diperoleh.
Korelasi
Dalam teori probabilitas dan statistika, korelasi, juga disebut koefisien korelasi, adalah
nilai yang menunjukkan kekuatan dan arah hubungan linier antara dua peubah acak (random
variable).
Koefisien korelasi
Korelasi Tanpa Tak ada korelasi Tanpa Korel
Tinggi Rendah Rendah Rendah Rendah Tinggi
tinggi korelasi (acak) korelasi tinggi
-1 <-0.9 >-0.9 <-0.4 >-0.4 0 <+0.4 >+0.4 <+0.9 >+0.9 .+1
Salah satu jenis korelasi yang paling populer adalah koefisien korelasi momen-produk
Pearson, yang diperoleh dengan membagi kovarians kedua variabel dengan
perkalian simpangan bakunya. Meski memiliki nama Pearson, metode ini pertama kali
diperkenalkan oleh Francis Galton.
Korelasi linier antara 1000 pasang pengamatan. Data digambarkan pada bagian kiri bawah
dan koefisien korelasinya ditunjukkan pada bagian kanan atas. Setiap titik pengamatan
berkorelasi maksimum dengan dirinya sendiri, sebagaimana ditunjukkan pada diagonal
(seluruh korelasi = +1).
Korelasi X, Y antara dua peubah acak X dan Y dengan nilai yang diharapkan X dan
Y dan simpangan baku X dan Y didefinisikan sebagai:
Karena X = E(X), X2 = E(X2) E2(X) dan demikian pula untuk Y, maka dapat pula ditulis
Korelasi dapat dihitung bila simpangan baku finit dan keduanya tidak sama dengan nol.
Dalam pembuktian ketidaksamaan Cauchy-Schwarz, koefisien korelasi tak akan
melebihi dari 1 dalam nilai absolut. Korelasi bernilai 1 jika terdapat hubungan linier yang
positif, bernilai -1 jika terdapat hubungan linier yang negatif, dan antara -1 dan +1 yang
menunjukkan tingkat dependensi linier antara dua variabel. Semakin dekat dengan -1 atau +1,
semakin kuat korelasi antara kedua variabel tersebut.
Jika variabel-variabel tersebut saling bebas, nilai korelasi sama dengan 0. Namun tidak
demikian untuk kebalikannya, karena koefisien korelasi hanya
mendeteksi ketergantungan linier antara kedua variabel. Misalnya, peubah
acak X berdistribusi uniform pada interval antara -1 dan +1, dan Y = X2. Dengan demikian
nilai Y ditentukan sepenuhnya oleh X.
Koefisien Penentu ini menjelaskan besarnya pengaruh nilai suatu variable (variable X)
terhadap naik / turunnya (variasi) nilai variable lainnya (variable Y).
Contoh 1 :
X 40 55 6 7 8 9 12
0 5 7 5 0
Y 25 40 5 5 6 7 90
0 5 5 3
Jawab :
X Y X2 Y2 XY
{(n)(XY) (X)(Y)}2
__________________________________________
KP =
{(7)(33.715) (532)(398)}2
________________________________________________
KP =
{236.005 211.736}2
_________________________________________________
=
588.984.361
= ____________________
599.890.816
= 0,982
Jadi KP = 0,982 (98,2%) artinya sumbangan / pengaruh pendapatan terhadap konsumsia
dalah 98,2%.
Contoh 2 :
X 65 63 67 64 68 62 70 66 68 67
Y 68 64 69 65 67 66 68 65 70 67
Tentukan :
Jawab :
a.
b.
X Y X2 Y2 XY
r(KK) = ___________________________________________
= ________________________________________________________
441.820 441.540
= _____________________________________________________
(580) (329)
280
____________
=
190.820
280
___________
=
436,8295
= 0,641
c.
[ 280 ]2
______________
=
[ 190.820 ]
78.400
_________
=
190.820
= 0,411