ANALISIS REGRESI

Regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling mungkin
terjadi di masa yang akan datang berdasarkan informasi masa lalu dan sekarang yang dimiliki
agar kesalahannya dapat diperkecil. Analisis regresi merupakan studi ketergantungan satu atau
lebih variabel bebas terhadap variabel tidak bebas. Dengan maksud untuk meramalkan nilai
variabel tidak bebas. Analisis regresi dalam statistika adalah salah satu metode untuk
menentukan hubungan sebab -akibat antara satu variabel dengan variabel (-variabel) yang lain.
Variabel "penyebab" disebut dengan bermacam-macam istilah: variabel penjelas, variabel
eksplanatorik, variabel independen, atau secara bebas, variabel X (karena sering kali
digambarkan dalam grafik sebagai absis, atau sumbu X). Variabel terkena akibat dikenal
sebagai variabel yang dipengaruhi, variabel dependen, variabel terikat, atau variabel Y. Kedua
variabel ini dapat merupakan variabel acak (random), namun variabel yang dipengaruhi harus
selalu variabel acak.

Analisis regresi adalah salah satu analisis yang paling populer dan luas pemakaiannya. Hampir
semua bidang ilmu yang memerlukan analisis sebab - akibat boleh dipastikan mengenal analisis
ini. Analisis regresi dan analisis korelasi dikembangkan untuk mengkaji dan mengukur hubungan
antara dua variabel atau lebih. Dalam analisis regresi dikembangkan persamaan estimasi untuk
mendeskripsikan pola atau fungsi hubungan antara variabel-variabel. Sesuai dengan namanya,
persamaan estimasi atau persamaan regresi itu digunakan untuk mengestimasi nilai dari suatu
variabel berdasarkan nilai variabel lainnya. Variabel yang di estimasi itu disebut variabel
dependen (atau variabel terikat) sedangkan variabel yang diperkirakan memengaruhi variabel
dependen itu disebut variabel independen (atau variabel bebas). Variabel dependen lazimnya
dilukis pada sumbu- Y (dan karenanya diberi simbol Y) sementara variabel independen dilukis
pada sumbu- X (dan karenanya diberi simbol X). Berdasarkan konsep ini, maka hubungan antara
variabel Y dan X dapat diwakili dengan sebuah garis regresi. Di samping untuk mengestimasi,
analisis regresi juga digunakan untuk mengukur tingkat ketergantungan (dependability) dari
estimasi itu.

Ada beberapa tujuan penggunaan analisis regresi, antara lain:

a. Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasari pada nilai variabel
bebas.
b. Menguji hipotesis karakteristik dependensi.
c. Untuk meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai variabel bebas
diluar jangkauan sample
Persamaan regresi akan terlihat seperti di bawah ini:
*Untuk persamaan regresi dimana Y merupakan nilai yang diprediksi, maka persamaannya ialah:

Y = a + β1X1 (untuk regresi linier sederhana)

Y = a + β1X1 + β2X2 + … + βkXk (untuk regresi linier berganda)
*Untuk persamaan regresi dimana Y merupakan nilai sebenarnya (observasi), maka persamaan
menyertakan kesalahan (error term / residual) akan menjadi:

Y = a + β1X1 + e (untuk regresi linier sederhana)

Y = a + β1X1 + β2X2 + … + βkXk + e (untuk regresi linier berganda)
Dimana:
X: merupakan nilai sebenarnya suatu kasus (data)
β: merupakan koefesien regresi jika hanya ada satu prediktor dan koefesien regresi parsial
jika terdapat lebih dari satu prediktor. Nilai ini juga mewakili mewakili koefesien regresi
baku (standardized) dan koefesien regresi tidak baku (unstandardized). Koefesien regresi
ini merupakan jumlah perubahan yang terjadi pada Y yang disebabkan oleh perubahan
nilai X. Untuk menghitung perubahan ini dapat dilakukan dengan cara mengkalikan nilai
prediktor sebenarnya (observasi) untuk kasus (data) tertentu dengan koefesien regresi
prediktor tersebut.
a: merupakan intercept yang merupakan nilai Y saat nilai prediktor sebesar nol.

*Dalam suatu persamaan regresi terdapat 2 macam variabel, yaitu :

Variabel dependen / variable respon (variable tak bebas) adalah variable yang nilainya
bergantung dari variable lain. Biasanya dinyatakan dengan Y.

Variabel independen / variable predictor (variable bebas) adalah variable yang nilainya tidak
bergantung dari variable lain. Biasanya dinyatakan dengan X.

*Analisis regresi dikelompokkan dari mulai yang paling sederhana sampai yang paling rumit,
tergantung tujuan yang berlandaskan pengetahuan atau teori sementara, bukan asal ditentukan
saja.
a. Regresi Linier Sederhana
Regresi linier sederhana bertujuan mempelajari hubungan linier antara dua variabel. Dua
variabel ini dibedakan menjadi variabel bebas (X) dan variabel tak bebas (Y). Variabel
bebas adalah variabel yang bisa dikontrol sedangkan variabel tak bebas adalah variabel yang
mencerminkan respon dari variabel bebas.
b. Regresi Berganda
Regresi berganda seringkali digunakan untuk mengatasi permasalahan analisis regresi yang
melibatkan hubungan dari dua atau lebih variabel bebas. Pada awalnya regresi berganda
dikembangkan oleh ahli ekonometri untuk membantu meramalkan akibat dari aktivitas-
 aktivitas ekonomi pada berbagai segmen ekonomi. Misalnya laporan tentang peramalan
masa depan perekonomian di jurnal-jurnal ekonomi (Business Week, Wal Street Journal,
dll), yang didasarkan pada model-model ekonometrik dengan analisis berganda sebagai
alatnya. Salah satu contoh penggunaan regresi berganda dibidang pertanian diantaranya
ilmuwan pertanian menggunakan analisis regresi untuk menjajagi antara hasil pertanian
(misal: produksi padi per hektar) dengan jenis pupuk yang digunakan, kuantitas pupuk yang
diberikan, jumlah hari hujan, suhu, lama penyinaran matahari, dan infeksi serangga.
c. Regresi Kurvilinier
Regresi kurvilinier seringkali digunakan untuk menelaah atau memodelkan hubungan fungsi
variabel terikat (Y) dan variabel bebas (X) yang tidak bersifat linier. Tidak linier bisa
diartikan bilamana laju perubahan Y sebagai akibat perubahan X tidak konstan untuk nilai-
nilai X tertentu. Kondisi fungsi tidak linier ini (kurvilinier) seringkali dijumpai dalam
banyak bidang. Misal pada bidang pertanian, bisa diamati hubungan antara produksi padi
dengan taraf pemupukan Phospat. Secara umum produksi padi akan meningkat cepat bila
pemberian Phospat ditingkatkan dari taraf rendah ke taraf sedang. Tetapi ketika pemberian
dosis Phospat diteruskan hingga taraf tinggi, maka tambahan dosis Phospat tidak lagi
diimbangi kenaikan hasil, sebaliknya terjadi penurunan hasil. Untuk kasus-kasus hubungan
tidak linier, prosedur regresi sederhana atau berganda tidak dapat digunakan dalam mencari
pola hubungan dari variabel-variabel yang terlibat. Dalam hal ini, prosedur analisis regresi
kurvilinier merupakan prosedur yang sesuai untuk digunakan.
d. Regresi Dengan Variabel Dummy (Boneka)
Analisis regresi tidak saja digunakan untuk data-data kuantitatif (misal : dosis pupuk), tetapi
juga bisa digunakan untuk data kualitatif (misal : musim panen). Jenis data kualitatif tersebut
seringkali menunjukkan keberadaan klasifikasi (kategori) tertentu, sering juga dikatagorikan
variabel bebas (X) dengan klasifikasi pengukuran nominal dalam persamaan regresi.
Sebagai contoh, bila ingin meregresikan pengaruh kondisi kemasan produk dodol nenas
terhadap harga jual. Pada umumnya, cara yang dipakai untuk penyelesaian adalah memberi
nilai 1 (satu) kalau kategori yang dimaksud ada dan nilai 0 (nol) kalau kategori yang
dimaksud tidak ada (bisa juga sebaliknya, tergantung tujuannya). Dalam kasus kemasan ini,
bila kemasannya menarik diberi nilai 1 dan bila tidak menarik diberi nilai 0. Variabel yang
mengambil nilai 1 dan 0 disebut variabel dummy dan nilai yang diberikan dapat digunakan
seperti variabel kuantitatif lainnya.
e. Regresi Logistik (Logistic Regression)
Bila regresi dengan variabel bebas (X) berupa variabel dummy, maka dikatagorikan sebagai
regresi dummy. Regresi logistik digunakan jika variabel terikatnya (Y) berupa variabel
masuk katagori klasifikasi. Misalnya, variabel Y berupa dua respon yakni gagal
(dilambangkan dengan nilai 0) dan berhasil (dilambangkan dengan nilai 1). Kondisi
demikian juga sering dikatagorikan sebagai regresi dengan respon biner. Seperti pada
analisis regresi berganda, untuk regresi logistik variabel bebas (X) bisa juga terdiri lebih dari
satu variabel.
*Analisis Regresi secara umum dibedakan sebagai berikut :
Regresi linier
Regresi linier digunakan untuk memodelkan hubungan sebab akibat antara variabel bebas
dengan variabel respon. Dari namanya saja udah kelihatan, bahwa model hubungan yang
dimaksud adalah model hubungan linier. Contoh: Ingin dicari model regresi antara “biaya iklan”
dengan “penjualan”. Variabel bebas/prediktor adalah biaya iklan dan variabel respon adalah
penjualan. Jadi ingin dicari bagaimanakah model hubungan antara 2 variabel tsb, sehingga bisa
diketahui berapakah nilai penjualan yang akan diperoleh bila perusahaan mengeluarkan biaya
iklan sebesar X rupiah.
Regresi Linier Berganda
Analisis regresi merupakan studi dalam menjelaskan dan mengevaluasi hubungan antara suatu
peubah bebas (independent variable) dengan satu peubah tak bebas (dependent variable) dengan
tujuan untuk mengestimasi dan atau meramalkan nilai peubah tak bebas didasarkan pada nilai
peubah bebas yang diketahui (Widarjono, 2005). Metode regresi linear berganda dapat
digunakan untuk melihat pengaruh beberapa peubah penjelas atau peubah bebas terhadap satu
peubah tak bebas. Metode analisis yang digunakan dalam penelitian ini adalah analisis regresi
linear berganda. Analisis regresi linier berganda digunakan untuk melihat pengaruh peubah stok
karet alam AS, PDB AS, harga karet alam di pasar internasional, dan jumlah kendaraan bermotor
di AS terhadap volume ekspor karet alam Indonesia. Selain itu, analisis regresi linear berganda
juga digunakan untuk melihat pengaruh peubah produksi karet alam Indonesia, impor karet
sintetis Indonesia, jumlah kendaraan bermotor di Indonesia, serta kebijakan pemerintah dalam
Kepres no.1 tahun 1986 terhadap konsumsi karet alam Indonesia. Untuk menyatakan kuat
tidaknya hubungan linier antara peubah penjelas dan peubah bebas dapat diukur dari koefisisen
korelasi ( coefficient correlation) atau R, dan untuk melihat besarnya sumbangan (pengaruh) dari
peubah bebas terhadap perubahan peubah tak bebas dapat dilihat dari koefisien determinasi
(coefficient of determination) atau R2. Variabel boneka (dummy) adalah variabel yang
menjelaskan ada atau tidak adanya kualitas dengan membentuk variabel buatan yang mengambil
nilai 1 atau 0 (Budiani, 2005).
Regresi Liear Klasik
Setelah didapatkan model regresi, kita tidak bisa langsung melakukan interpretasi terhadap hasil
yang diperoleh. Hal ini disebabkan karena model regresi harus diuji terlebih dahulu apakah
sudah memenuhi asumsi klasik. Apabila ada satu syarat saja yang tidak terpenuhi, maka hasil
analisis regresi tidak dapat dikatakan bersifat BLUE (Best Linear Unbiased Estimator). Asumsi
regresi linier klasik tersebut antara lain adalah:
1. Model regresi dispesifikasikan dengan benar.
2. Error menyebar normal dengan rataan nol dan memiliki suatu ragam (variance) tertentu.
3. Tidak terjadi heteroskedastisitas pada ragam error.
4. Tidak terjadi multikolinieritas antara peubah bebas.
5. Error tidak mengalami autokorelasi (error tidak berkorelasi dengan dirinya sendiri).
 UJI – T

Dalam Statitika, uji t adalah salah satu alat uji yang termasuk uji beda, karena uji t ini digunakan
untuk mencari ada/tidaknya perbedaan antara dua means dari dua sample/kelompok/kategori
data. Uji t dikenal dengan uji parsial, yaitu untuk menguji bagaimana pengaruh masing-masing
variabel bebasnya secara sendiri-sendiri terhadap variabel terikatnya. Uji ini dapat dilakukan
dengan mambandingkan t hitung dengan t tabel atau dengan melihat kolom signifikansi pada
masing-masing t hitung, proses uji t identik dengan Uji F (lihat perhitungan SPSS pada
Coefficient Regression Full Model/Enter). Atau bisa diganti dengan Uji metode Stepwise.

Uji t (t-test) merupakan prosedur pengujian parametrik rata-rata dua kelompok data, baik untuk
kelompok data terkait maupun dua kelompok bebas. Untuk jumlah data yang sedikit maka perlu
dilakukan uji normalitas untuk memenuhi syarat dari sebaran datanya. Umumnya pada uji t dua
kelompok bebas, yang perlu diperhatikan selain normalitas data juga kehomogenan varian.
Kehomogenan data digunakan untuk menentukan jenis persamaan uji t yang akan digunakan.

Uji t pada dasarnya menunjukan seberapa jauh pengaruh satu variabel independen secara
individual menerangkan variasi variabel terikat (Ghozali, 2006). Pengujian parsial regresi
dimaksudkan untuk mengetahui apakah variabel bebas secara individual mempunyai pengaruh
terhadap variabel terikat dengan asumsi variabel yang lain itu konstan. Untuk melakukan
pengujian t maka dapat digunakan dengan rumus sebagai berikut:
t = βn/Sβn
Dimana :
t: mengikuti fungsi t dengan derajat kebebasan (df).
βn : koefisien regresi masing-masing variabel.
Sβn : standar error masing-masing variabel.

Dasar pengambilan keputusan:

a. Jika probabilitas (signifikansi)> 0,05 (α) atau T hitung < T tabel berarti hipotesa tidak terbukti
maka H0 diterima Ha ditolak, bila dilakukan uji secara parsial.

b. Jika probabilitas (signifikansi)< 0,05 (α) atau T hitung > T tabel berarti hipotesa terbukti maka
H0 ditolak dan Ha diterima, bila dilakukan uji secara parsial.

Fungsi Uji Beda Rataan (Uji T) adalah menguji teori, artinya berfungsi untuk menguji
kesahihan teori. Pernyataan teori dalam bentuk yang teruji disebut hipotesis. Teori adalah satu
satu prinsip yang dirumuskan untuk menerangkan sekelompok gejala/peristiwa yang saling
berkaitan. Teori menunjukkan adanya hubungan antara fakta yang satu dengan fakta yang lain.
Selain itu, menyarankan teori baru, apabila hasil pengujian hipotesis dapat membentuk
proposisi, asumsi atau penjelasan tentang suatu peristiwa dan mendeskripsikan fenomena sosial,
artinya hipotesis memberikan informasi kepada peneliti tentang apa yang nyata-nyata terjadi
secara empirik.
Jenis-Jenis Uji T :

1. one-sample t-test (uji t satu sampel)

2. paired-sample t test (uji t sampel berpasangan)
3. independent-sample t test (uji t sampel independen).

1) one-sample t test (uji t satu sampel) merupakan teknik analisis untuk membandingkan satu
variabel bebas. Teknik ini digunakan untuk menguji apakah nilai tertentu berbeda secara
signifikan atau tidak dengan rata-rata sebuah sampel. Pada uji hipotesis ini, diambil satu
sampel yang kemudian dianalisis apakah ada perbedaan rata-rata dari sampel tersebut.
Prosedur yang umum dan harus diikuti untuk melakukan uji hipotesis ini adalah sebagai
berikut :

 Mencari hipotesis nol dan hipotesis alternatifnya.

 Pilih tingkat kepercayaan tertentu dan tentukan besarnya sampel yang diambil.1. Pilih
statistik uji yang sesuai sebagai dasar bagi prosedur pengujian.
 Tentukan daerah kritisnya.
 Kumpulkan data sampel dan hitung statistik sampelnya, kemudian ubah ke dalam variable
normal standar (Z) atau t (tergantung banyaknya sampel).
 Nyatakan menolak atau menerima H0.

Persyaratan umum one-sample t test (uji t satu sampel) :

 Digunakan untuk membandingkan antara sekelompok data yang berasal dari 1

sampel/kelompok dengan 1 nilai acuan/referensi/dugaan. Jadi data sampel dibandingkan
dengan 1 angka (makanya satu sampel).
 Cukup 1 variabel bertipe interval/rasio karena 1 lagi berupa angka acuan.
 Contoh: ingin menguji apakah rata-rata nilai mata kuliah fisika dasar mahasiswa semester 1
lebih besar atau sama dengan 70. (variabel: nilai MK fisika dasar, nilai acuan: 70).
2) paired-sample t test (uji t sampel berpasangan) merupakan prosedur yang digunakan untuk
membandingkan rata-rata dua variabel dalam satu group. Artinya analisis ini berguna untuk
melakukan pengujian terhadap satu sampel yang mendapatkan sutau treatment yang kemudian
akan dibandingkan rata-rata dari sampel tersebut antara sebelum dan sesudah treatment.

Persyaratan umum paired-sample t test (uji t sampel berpasangan):

 Digunakan untuk membandingkan rata-rata (mean) dari dua kumpulan data yang ada
dimana kedua kumpulan data tersebut berasal dari 1 kelompok obyek/responden yang sama.
Hal ini dimungkinkan karena misalnya pengukuran dilakukan pada waktu yag berbeda
namun obyek/respondennya tetap sama, sehingga memiliki 2 kelompok data; atau dilakukan
pengukuran yang berbeda karena adanya perlakuan pada obyek/responden tersebut.
 Akan ada kumpulan data sebelum dan sesudah perlakuan/waktu yang berbeda.
 Variabel: ada 2 variabel (keduanya interval/rasio), variabel 1 (sebelum perlakuan atau
waktu pengukuran ke-1) dan variabel 2 (setelah perlakuan/waktu pengukuran ke-2)
 Contoh: sebuah perusahaan pupuk ingin menguji apakah pupuk yang dibuat mampu
meningkatkan produksi buah cabai. (untuk riset ini diperlukan pengukuran produksi buah
cabai sebelum diberi pupuk dan produksi buah cabai setelah diberi pupuk, kemudian kedua
data ini dibandingkan; kedua data tentu diambil atau diukur pada waktu yang berbeda,
karena kelompok pohon cabai yang diukur adalah kelompok pohon cabai yang sama).

3) independent-sample t test (uji t sampel independen) adalah uji yang digunakan untuk
menentukan apakah dua sampel yang tidak berhubungan memiliki rata-rata yang berbeda.
Jadi tujuan metode statistik ini adalah membandingkan rata-rata dua grup yang tidak
berhubungan satu sama lain. Pertanyaan yang coba dijawab adalah apakah kedua grup
tersebut mempunyai nilai rata-rata yang sama ataukah tidak sama secara signifikan.

Persyaratan umum independent-sample t test (uji t sampel independen) :

 Digunakan untuk membandingkan rata-rata (mean) dari dua kelompok data yang berbeda
satu sama lain. Jadi benar-benar memiliki 2 sampel/kelompok obyek/responden.
 Variabel: ada 2 variabel (1 bertipe interval/rasio dan 1 lagi bertipe nominal). Variabel
bertipe interval/rasio untuk menampung data yang akan dibandingkan, sedang variabel
bertipe nominal untuk menampung jenis/kelompok sampelnya.
 Contoh: seorang walikota menanggap pembangunan ekonomi masyarakatnya lebih baik
daripada masyrakat kota lain disekitarnya. Maka diukurlah sekelompok masyarakat kota
tersebut dan sekelompok masyarakat kota tetangga sebagai pembanding. Maka akan ada 2
data yang bersumber dari masyarakat yang berbeda; akan ada 2 variabel, variabel #1:
income masyarakat, variabel #2: jenis kota (1->kota ybs, 2-> kota tetangga)).