Statistik Psikologi

REGRESI SEDERHANA/BIVARIAT Unita Werdi Rahajeng

www.unita.lecture.ub.ac.id
 Uji Regresi
1. Uji-hubungan regresi ditujukan untuk melakukan prediksi;
2. Tujuan ini sedikit berbeda dengan uji-hubungan korelasi untuk mengukur derajat kuat-
lemahnya variabel-variabel penelitian dalam bervariasi atau bergerak secara bersama-
sama;
3. Dalam uji-hubungan regresi, variabel X disebut sebagai prediktor sementara variabel Y
disebut sebagai kriteria atau variabel dependen.
4. Variabel X sebagai prediktor diteliti untuk memprediksi tinggi-rendahnya variabel Y.
5. Sebagai prediktor, variabel X idealnya mampu meramalkan tinggi-rendahnya variabel Y
secara konsisten.
 Macam Uji Regresi
Regresi Sederhana (Simple Regression) vs Regresi Berganda (Multiple Regression)
Regresi sederhana menganalisis kemampuan sebuah variabel prediktor (X) dalam memprediksi
sebuah variabel dependen (Y).
Termasuk ke dalam uji-hubungan bivariat karena yang dianalisis adalah dua variabel .
Regresi berganda menganalisis kemampuan dua atau lebih variabel prediktor (X1, X2, dst)
dalam meramalkan sebuah variabel dependen (Y).
Termasuk ke dalam jenis uji-hubungan multivariat karena yang dianalisis adalah lebih dari dua
variabel.
 LANGKAH-LANGKAH/PROSEDUR
REGRESI SECARA UMUM
Uji-hubungan regresi dilakukan melalui sejumlah prosedur atau langkah, yang
rinciannya adalah sebagai berikut:
1. Menghitung korelasi antara kriterium (Y) dengan prediktor (X)
2. Menentukan apakah nilai korelasi tersebut signifikan ataukah tidak
3. Seandainya nilainya signifikan, langkah berikutnya mencari persamaan
regresinya.
4. Menemukan sumbangan relatif antara sesama prediktor, jika prediktornya lebih
dari satu.
 REGRESI SEDERHANA
1. Langkah pertama adalah menghitung koefisien regresi (R) antara prediktor (X) dan variabel
dependen (Y).
2. Koefisien regresi dalam uji-hubungan regresi sederhana (R) dihitung menggunakan rumus
atau formula yang sama dengan koefisien korelasi sederhana (r), yaitu rumus atau formula
product-Moment Perason, sehingga nilai koefisien regresi sederhana dan korelasi sederhana
adalah identik.
3. Kita ambil contoh seperti kasus dalam sesi uji-hubungan korelasi sederhana dimana peneliti
tertarik untuk menganalisis hubungan antara berat badan (X) dan ukuran sepatu (Y)
4. Analisis regresi mengadopsi analisis uji-perbedaan ANOVA (Analysis of Variance).
5. Ada dua jenis sumber variasi dalam regresi residu (identik dengan variasi dalam
kelompok) dan regresi (variasi antar kelompok)
1. Koefisien regresi bernilai signifikan jika nilai residu sekecil mungkin sementara
skor sumber variasi regresi sebesar mungkin.
2. Nilai residu yang kecil menunjukkan bahwa garis regresi bersifat fit atau cocok
untuk merepresentasikan persebaran skor X dan Y.
3. Nilai sumber variasi regresi yang besar mencerminkan bahwa garis regresi
berbeda secara signifikan dengan garis horizontal skor Mean variabel
dependen yang menggambarkan tidak adanya hubungan antara X dan Y (R =
0).
TABEL PENGHITUNGAN TINGKAT SIGNIFIKANSI R
Mean
Sumber
db Jumlah Kuadrat (JK) Kuadrat Fhitung Ftabel Signifikansi
Variasi
(MK)

Regresi JK r eg
m JK reg (R 2 )(  y 2 ) F
MK reg
(reg) d br eg MK res Fhitung > Ftabel =
signifikan; Ha
Residu JK r es diterima
N-m-1 JK res (1 R 2 )(  y 2 ) -- --
(res) d br es Fhitung < Ftabel =
tidak signifikan;
(  Y) 2
 y2   Y 2  Ha ditolak
Total N-1 N -- -- --

N = jumlah subyek, m = jumlah variabel independen (prediktor)

Ingat y ≠ Y, maka ∑y2 ≠ ∑Y2 !!!
 LANGKAH-LANGKAH
1. Menemukan nilai R (dihitung menggunakan rumus pearson’s product
moment)
2. Menghitung JK Total (∑y2), JK Regresi, JK Residu
3. Menghitung MK Regresi dan MK Residu
4. Menghitung F
5. Membandingkan F hitung dengan F tabel
6. Jika signifikan maka menentukan persamaan regresinya dengan metode
deviasi. Rumus:

7. Intepretasikan persamaan regresinya

CONTOH INTEPRETASI PERSAMAAN REGRESI
Berdasarkan persamaan regresi diatas, kita temukan bahwa nilai
koefisien regresi (b) adalah sebesar 0,713 sementara nilai konstanta
adalah sebesar 11, 0674.
Makna dari koefisien regresi (b) sebesar 0,713 adalah jika faktor-faktor
lain dikendalikan atau konstanta dianggap bernilai 0, maka setiap
peningkatan 1 unit pada variabel X (prediktor) maka Y (kriteria) akan
meningkat sebesar 1x0,713 = 0,713.
Makna dari konstanta sebesar 11,0674 adalah jika faktor-faktor lain
dikendaikan atau variabel X diasumsikan bernilai 0 maka nilai Y adalah
sebesar 11,0674.