Anda di halaman 1dari 46

ANALISIS REGRESI

SEJARAH REGRESI

Istilah Regresi diperkenalkan oleh Fancis Galtom


Meskipun ada kecenderungan bagi orang tua yang tinggi mempunyai
anak-anak yang tinggi, dan bagi orang tua yang pendek mempunyai
anak yang pendek, distribusi tinggi dari suatu populasi tidak berubah
secara menyolok (besar) dari generasi ke generasi.

Regresi = Kemunduran ke arah sedang


ILUSTRASI
Pengertian Regresi
Jika kita mempunyai data yang terdiri atas dua atau lebih
variabel, hubungan yang didapat pada umumnya dinyatakan
dalam bentuk persamaan matematik yang menyatakan
hubungan fungsional antara variabel-variabel. Studi yang
menyangkut masalah ini dikenal dengan analisis regresi.

Analisis regresi merupakan studi ketergantungan


satu atau lebih variabel bebas terhadap variabel
tidak bebas. Dengan maksud untuk meramalkan
nilai variabel tidak bebas.
Jenis analisis regresi
Berdasarkan jumlah variabel bebas :
Ada 1 variabel bebas - regresi sederhana
Ada > 1 variabel bebas - regresi berganda
Berdasar sifat hubungan kedua variabel :
Bersifat linier - regresi linier
Bersifat non-linier - regresi non linier
Berdasar skala pengukuran variabel bebas dan terikat :
Var. terikat semua var. bebas interval/rasio - regresi standar
Var. terikat dan sebagian var. bebas interval tapi ada sebagian var.
bebas nominal/ordinal - regresi dummy
Var. terikat berskala nominal/ordinal - regresi logistik/ordinal
Model Regresi Linier

Regresi linier Regresi linier untuk


untuk sampel populasi

Y a b . X Diharapkan berlaku untuk y. x 1 2 . X


populasi
Model Regresi Non Linier :
Regresi Pangkat dua diharapkan berlaku untuk populasi
Y a b . X c. X 2 y. x 1 2 . X 2 . X 2

Diharapkan berlaku untuk


Regresi Parabola Kubik
Y a b . X c. X 2 d . X 3 y . x 1 2 . X 3 . X 2 4 . X 3

Regresi eksponen populasi


Y a .b X y. x 1 . 2 X

atau

log Y log a (log b) . X log y. x log 1 (log 2 ). X


Model Regresi Non Linier :
Regresi Geometrik Diharapkan berlaku untuk populasi
Y a . X b . X 2 y. x 1
atau
log Y log a b.(log X ) log y . x log 1 2 .(log X )

Diharapkan berlaku untuk


Regresi logistik
1 1
Y populasi y. x
a .b X 1 2 X
atau
1 1
log log a (log b) . X log log 1 (log 2 ). X

Y y. x
Regresi Hiperbola
1 1
Y y. x
a b. X 1 2 . X
Metode Regresi
1. METODE TANGAN BEBAS (DIAGRAM SEBAR)
(Free Hand Method)
Metode ini dengan memperhatikan letak titik-titik Sumbu Y
dalam diagram, bentuk regresi dapat diperkirakan.
Regresi linier
Jika letak titik-titik itu Regresi
sekitar garis lurus linier

Sumbu X

Regresi non linier


Jika letak titik-titik itu
sekitar garis lengkung
Sumbu Y

Metoda tangan bebas ini memberikan hasil


regresi yang berbeda tiap orang, tergantung
pada pertimbangan pribadi masing-masing, di
samping itu metoda ini dapat dipakai untuk Regresi
menolong menentukan dugaan regresi lengkun
apakah linier atau tidak g

Sumbu X
Metode Regresi
2. METODA KUADRAT TERKECIL (Least Square Method)
Cara ini berpangkal pada kenyataan bahwa jumlah pangkat dua (kuadrat) daripada jarak
antara titik-titik dengan garis regresi yang sedang dicari harus sekecil mungkin
Regresi Linier
(Yi ).(X i2 ) (X i )(X i Yi )
a
Y a b . X n.X i2 (X i ) 2
n.X i Yi (X i ).(Yi )
b
n.X i2 (X i ) 2
Model Parabola Kuadratik

Yi n.a b.X i c.X i2


Y a b . X c. X 2 X i Yi a.X i b.X i2 c.X i3
Setelah proses
subsitusi, maka X i2Y a..X i2 b.X i3 c.X i4
didapatkan nilai-
nilai : a, b, & c,
Metode Regresi
Model Parabola Kubik Yi n.a b.X i c.X i2 d .X i3
Y a b . X c. X 2 d . X 3 X i Yi a.X i b.X i2 c.X i3 d .X i4
X i2Y a..X i2 b.X i3 c.X i4 d .X i5
X i3Y a..X i3 b.X i4 c.X i5 d .X i6
Model eksponen

Y a .b X log Y log a (log b) . X


log Yi Xi
log a (log b).
n n
n. ( X i . log Yi ) ( X i ).( log Yi )
atau log b
n. X i2 ( X ) i2

Y a .e bX ln Y ln a b . X
Model Geometrik

Y a . X b log Y log a b.(log X )


log Yi Xi
log a b .
n n
n. ( X i . log Yi ) (log X i ).( log Yi )
b
n.( log 2 X i2 ) (log X ) i2
Metode Regresi
Model logistic
1 1
Y log

log a (log b) . X
a .b X Y 1
log
Yi Xi
log a (log b).
n n
1 1
n. ( X i . log ) ( X i ).( log )
Yi Yi
log b
n. X i2 ( X ) i2
Model Hiperbola

1 1 1
Y ( ).(X i2 ) (X i )( X i . )
a b. X a
Yi Yi
n.X i2 (X i ) 2
1 1
n. X i (X i ).( )
Yi Yi
b
n.X i2 (X i ) 2
Contoh Penerapan Analisis Regresi
1. Analisis Regresi antara tinggi orang tua terhadap tinggi
anaknya (Gultom).
2. Analisis Regresi antara pendapatan terhadap konsumsi
rumah tangga.
3. Analisis Regresi antara harga terhadap penjualan barang.
4. Analisis Regresi antara tingkat upah terhadap tingkat
pengangguran.
5. Analisis Regresi antara tingkat suku bunga bank terhadap
harga saham
6. Analisis regresi antara biaya periklanan terhadap volume
penjualan perusahaan.
Contoh Penerapan Analisis Regresi
7. Analisis Regresi antara nilai ujian terhadap nilai tugas
siswa.
8. Analisis Regresi antara hasil belajar siswa terhadap nilai
UKG guru.
9. Analisis Regresi antara tingkat pemahaman siswa dengan
nilai IQ siswa tersebut.
10. Dll.
ANALISIS REGRESI LINIER
Macam hubungan antara 2 variabel
Pada dasarnya hubungan antar 2 variabel dapat
dibedakan atas:
1. Hubungan searah/positif
2. Hubungan bersifat kebalikan/negatif
3. Tidak ada hubungan
Hubungan searah/positif
Hubungan yang searah diartikan apabila perubahan
variabel x (independent) akan mempengaruhi variabel
y (dependent) yang searah.
Atau jika variabel x bertambah, maka variabel y
bertambah pula, dan sebaliknya.

Contoh :
a. hubungan antara pengeluaran iklan (x) dan jumlah
penjualan (y).
b. Hubungan antara penghasilan (X) dan pengeluaran
konsumsi (Y)
Hubungan bersifat kebalikan/negatif
Dua variabel dikatakan mempunyai hubungan yang bersifat
kebalikan atau negatif, apabila perubahan variabel
independent (x) akan mempengaruhi variabel dependent (Y)
pada arah yang berlawanan.
Artinya apabila variabel x bertambah, maka variabel y
berkurang atau sebaliknya, jika variabel x berkurang maka
variabel y bertambah.
Contoh :
a. Hubungan antara usia kendaraan (X) dengan tingkat harga
(Y).
b. Hubungan antara harga barang (X) dengan jumlah yang
diminta (Y)
Tidak ada hubungan
Dua variabel dikatakan tidak punya hubungan apabila
perubahan pada variabel independent (x) tidak
mempengaruhi perubahan pada variabel dependent
(y).

Contoh :
Hubungan antara konsumsi pangan (x) dengan
tingginya gedung (y).
Istilah dan notasi variabel dalam
regresi ?
Y X
Varaibel tergantung (Dependent Varaibel bebas (Independent
Variable) Variable)
Variabel yang dijelaskan Variabel yang menjelaskan
(Explained Variable) (Explanatory Variable)
Variabel yang diramalkan Variabel peramal (Predictor)
(Predictand) Variabel yang meregresi
Variabel yang diregresi (Regressor)
(Regressand)
Variabel perangsang atau kendali
Variabel Tanggapan (Response) (Stimulus or control variable)
Persamaan Regresi
Persamaan Regresi
linier Sederhana:
n( XY ) ( X )( Y )
Y = a + bX + b
n( X 2 ) ( X ) 2
Y = Nilai yang diramalkan

Y b( X )
a = Konstansta
b = Koefesien regresi a
X = Variabel bebas n
= Nilai Residu
Pembacaan persamaan regresi
Contoh: Jika persamaan regresi ditunjukkan dengan
persamaan :
y 2,94 0,95 x

maka dapat diartikan bahwa :


hasil besar variabel y akan bertambah sebesar 0,95
pada setiap kenaikan variabel x sebanyak 1 satuan.
Tanpa pengaruh varibel x (x bernilai nol), varibel y
bernilai tetap/konstan atau tidak berubah yaitu
memiliki nilai sebesar 2,94.
Contoh Kasus:
Seorang peneliti meneliti apakah terdapat
pengaruh lama waktu penjemuran terhadap nilai
indeks retak suatu bahan.

Untuk kepentingan penelitian tersebut diambil


data pada sampel 8 bahan secara acak pada suatu
siklus eksperimen.
Pemecahan
1. Judul
Pengaruh lama waktu penjemuran terhadap
nilai indeks retak bahan.
2. Pertanyaan Penelitian
Apakah terdapat pengaruh positif lama waktu
penjemuran terhadap nilai indeks retak bahan?
3. Hipotesis
Terdapat pengaruh positif lama waktu
penjemuran terhadap nilai indeks retak bahan.
4. Kriteria Penerimaan Hipotesis
Ho : Tidak terdapat pengaruh positif lama waktu
penjemuran terhadap nilai indeks retak bahan.
H1 : Terdapat pengaruh positif lama waktu penjemuran
terhadap nilai indeks retak bahan.

Ho diterima Jika
b 0, t hitung tabel

H1 diterima Jika
b > 0, t hitung > t tabel.
5. Sampel
8 bahan sampel

6. Data Yang dikumpulkan

Nilai indeks retak bahan (Y) 64 61 84 70 88 92 72 77

lama waktu penjemuran (X) 20 16 34 23 27 32 18 22


7. Analisis Data
Untuk analisis data diperlukan, perhitungan:
1. Persamaan regresi
2. Nilai Prediksi
3. Koefesien determinasi
4. Kesalahan baku estimasi
5. Kesalahan baku koefesien regresinya
6. Nilai F hitung
7. Nilai t hitung
8. Kesimpulan
Persamaan Regresi

Y X XY X2 Y2
64 20 1280 400 4096
61 16 976 256 3721
84 34 2856 1156 7056
70 23 1610 529 4900
88 27 2376 729 7744
92 32 2944 1024 8464
72 18 1296 324 5184
77 22 1694 484 5929
608 192 15032 4902 47094
n( XY ) ( X )( Y )
b
n( X 2 ) ( X ) 2

8(15032) (192)(609)
b 1,497
8(4902) (192) 2

a
Y b( X )
n

(608) 1,497(192)
a 40,082
8

Persamaan Regresinya :
Y= 40,082 + 1,497X + e
Nilai Prediksi
Berapa besarnya nilai indeks retak bahan jika lama waktu penjemuran 20?
40,082 + (1,497*20)= 70,022
Berapa besarnya nilai indeks retak bahan jika lama waktu penjemuran 16?
40,082 + (1,497*16)=64,034
Berapa besarnya nilai indeks retak bahan jika lama waktu penjemuran 34?
40,082 + (1,497*34)= 90,98
Berapa besarnya nilai indeks retak bahan jika lama waktu penjemuran 23?
40,082 + (1,497*23)= 74,513
Berapa besarnya nilai indeks retak bahan jika lama waktu penjemuran 27?
40,082 + (1,497*27)=80,501
Berapa besarnya nilai indeks retak bahan jika lama waktu penjemuran 32?
40,082 + (1,497*32)= 87,986

Dan seterusnya.!!!
No Y X XY X2 Y2 Ypred Yrata (Y-Ypred)2 (Y-Yrata)2

1 64 20 1280 400 4096 70.022 36.264 144

2 61 16 976 256 3721 64.034 9.205 225

3 84 34 2856 1156 7056 90.98 48.720 64

4 70 23 1610 529 4900 74.513 20.367 36

76
5 88 27 2376 729 7744 80.501 56.235 144

6 92 32 2944 1024 8464 87.986 16.112 256

7 72 18 1296 324 5184 67.028 24.721 16

8 77 22 1694 484 5929 73.016 15.872 1

Jlh 608 192 15032 4902 47094 608.08 227.497 886


Koefesien Determinasi
Adalah alat utama untuk mengetahui sejauh mana
tingkat hubungan antara variabel x dan y.
Nilai koefisien determinasi antara 0 2 1
Nilai koefisien determinasi 2 = 1 menunjukkan
hubungan sempurna.
Nilai koefisien determinasi 2 = 0 menunjukkan tidak
ada hubungan.
2 = 0,81 artinya 81% perubahan dari variabel y
ditentukan oleh variabel x.
Koefesien Determinasi
Koefesien determinasi:

r 2
1
(Y Y )
pred
2

(Y Y ) 2

(227,497)
r 2 1 0,743
(886)
Kesalahan Baku Estimasi
Digunakan untuk mengukur tingkat kesalahan dari
model regresi yang dibentuk.

Se
(Y Y pred ) 2

nk

(227,467)
Se 6,1576
82
Standar Error Koefesien Regresi
Digunakan untuk mengukur besarnya tingkat kesalahan dari
koefesien regresi:

Se
Sb
X2
( X ) 2

6,1576
Sb 0,359
2
(192)
(4902)
8
Uji F

Uji F digunakan untuk uji ketepatan model, apakah nilai prediksi mampu
menggambarkan kondisi sesungguhnya:

Ho: Diterima jika F hitung < F tabel


Ho ditolak jika sebaliknya

r 2 /(k 1) 0,743 /( 2 1)
F F 17,367
1 r 2 /(n k ) 1 0,743 /(8 2)

Karena F hitung (17,367) > dari F tabel (3,79) maka persamaan


regresi dinyatakan Baik (good of fit).
Uji t
Digunakan untuk mengatahui pengaruh variabel bebas
terhadap variabel tergantung.

Ho: Diterima jika t hitung < t tabel


Ho ditolak jika sebaliknya

b 1,497
t hitung t hitung 4,167
Sb 0,359

untuk = 0,05 dan = n k = 8 -2 = 6 (0,05 ;6)= 1,943


Karena t hitung (4,167) > dari t tabel (1,943) maka Ho ditolak
Kesimpulan :
ada pengaruh lama waktu penjemuran terhadap nilai indeks retak bahan.
KESIMPULAN
KESIMPULAN
Terdapat pengaruh positif lama waktu penjemuran
terhadap nilai indeks retak bahan.
Soal
Tabel berikut memperlihatkan hubungan antara jumlah grid pemotongan data
(X) dengan persentase kecocokan data dengan nilai aktual (Y).

X 3 4 5 6 7 8 9
Y 60 55 65 60 65 70 80
dapatkanlah :

a. Hipotesis pengecekan
b. Persamaan regresi
c. Koefisien determinasi
d. Kesalahan baku estimasi
e. Kesalahan baku koefisien regresi
f. Ketepatan pendekatan regresi
g. Hubungan antara variable X dan Y
h. Kesimpulan akhir
ANALISIS KORELASI
Perbedaan mendasar antara korelasi dan
regresi ?
Korelasi hanya Regresi menunjukkan
menunjukkan sekedar hubungan pengaruh.
hubungan. Dalam regresi terdapat
Dalam korelasi istilah tergantung dan
variabel tidak ada variabel bebas.
istilah tergantung dan
variabel bebas.
Analisis korelasi bertujuan untuk mengukur seberapa kuat
atau derajat kedekatan, suatu relasi yang terjadi antar
variabel.

Analisis korelasi digunakan untuk mempelajari dan


mengukur kekuatan hubungan antara dua variabel, yaitu
variabel pengharapan (predictor) dengan variabel-variabel
kriteria, atau dengan kata lain mengukur hubungan antara
variabel tidak bebas dengan variabel bebas.

Jenis hubungan antara dua variabel, ada yang positif dan


negatif. Hubungan X dan Y dikatakan positif apabila kenaikan
(penurunan) X pada umumnya diikuti oleh kenaikan
(penurunan) Y. Sebaliknya dikatakan negatif kalau kenaikan
(penurunan) X pada umumnya diikuti oleh penurunan
(kenaikan) Y.
Kuat atau tidaknya hubungan antara X dan Y, apabila
hubungan X dan Y dapat dinyatakan dengan fungsi
linier (paling tidak mendekati), diukur dengan suatu
nilai yang disebut koefisien korelasi r (Pearson
Correlation Coefficient).

= 2
Pengujian hipotesis atau model mengenai korelasi adalah
sebagai berikut :
r = 0, maka tidak ada hubungan antara dua variabel tersebut
r > 0, maka ada hubungan positif
r < 0, maka ada hubungan negatif

Berikut ini adalah tabel besaran hubungan korelasi Pearson :


No. r (Koefisien korelasi) Ukuran tingkat hubungan
1 0,0 < r < 0,2 Sangat rendah
2 0,2 < r < 0,4 rendah
3 0,4 < r < 0,6 Sedang
4 0,6 < r < 0,8 Kuat
5 0,8 < r < 1,0 Sangat kuat

Sumber : Dillon dan Goldstein,1984


Soal.

Lakukanlah analisis korelasi terhadap soal


yang sebelumnya telah dibahas
(hubungan lama waktu penjemuran
terhadap nilai indeks retak bahan)