Regresi Linear Berganda

Analisis regresi merupakan salah satu analisis statistik yang sering digunakan untuk

menganalisis hubungan antara dua variabel atau lebih. Menurut Drapper dan Smith (1992)

analisis regresi merupakan metode analisis yang dapat digunakan untuk menganalisis data dan

mengambil kesimpulan yang bermakna tentang hubungan ketergantungan variabel terhadap

variabel lainnya. Hubungan yang didapat pada umumnya dinyatakan dalam bentuk persamaan

matematika yang menyatakan hubungan antara variabel bebas (independent variable) x dan

variabel tak bebas (dependent variable) y dalambentuk persamaan sederhana.

𝑦 = 𝛽𝑜 + 𝛽𝑋1 𝑖 = 1,2, … , 𝑛

Regresi linier berganda merupakan perluasan dari regresi linier sederhana. Perluasan terlihat dari

banyaknya variabel bebas pada model regresi tersebut. Bentuk umum regresi linier berganda

dapat dinyatakan secara statistic sebagai berikut :

𝑌𝑖 = 𝛽𝑜 + 𝛽1 + 𝑋1𝑖 + 𝛽2𝑋2𝑖 + ⋯ + 𝛽𝑘𝑋𝑘𝑖 + 𝜀𝑖

Keterangan :

Yi = variabel tak bebas

Xki : variabelbebas

=parameter regresi

= variabel gangguan

Model persamaan regresi linier pada persamaan () dapat dinyatakan dalam bentuk matriks

berikut :

𝑌 = 𝑋𝛽 + 𝜀

Y=
Asumsi Regresi Linier berganda

Dalam metode regresi linier berganda ada beberapa asumsi yang harus dipenuhi, asumsi tersebut

adalah :

1. Nilai rata-rata kesalahan penggamggu nol yaitu 𝐸(𝜀𝑖2 ) = 0, untuk i= 1,2,…,n

2. Varian (𝜀𝑖 ) = 𝐸(𝜀𝑖2 ) = 𝜎 2

3. Tidak ada auto korelasi antara kesalahan penganggu (galat/error), berarti kovarian

(𝜀𝑖 , 𝜀𝑗 ) = 0, 𝑖 ≠ 𝑗

4. Variabel bebas x1, x2, …, xk, konstan dalam sampling yang terulang dan bebas terhadap

kesalahan pengganggu 𝜀𝑖 .

5. Tidak ada multikolenieritas diantara variabel bebas x

6. 𝜀𝑖 ~𝑁 (0; 𝜎 2 ), artinya kesalahan pengganggu ,mengikuti distribusi normal dengan rata-

rata 0 dan varian 𝜀 2 .

Koefisien Determinasi (R2)

Koefisien determinasi adalah nilai yang menunjukkan seberapa besar nilai variabel Y

dijelaskan oleh variabel bebas X. koefisien determinasi merupakan salah satu patokan yang

biasanya digunakan untuk melihat suati model regresi yang dicocokkan belum atau sudah

memadai, yang dinotasikan dengan R2.

Untuk menghitung r2, maka :

𝑌𝑖 = 𝑌̅𝑖 + 𝑒𝑖

Atau dalam bentuk simpangan baku, sebagai berikut:

𝑦𝑖 = 𝑦̂𝑖 + 𝑒𝑖

Dengan mengkuadratkan persamaan () pada kedua sisi dan menjumlahkan untuk semua

sampel, akan diperoleh:

∑ 𝑦𝑖2 = ∑ 𝑦̂𝑖2 + ∑ 𝑒𝑖2 + 2 ∑ 𝑦̂𝑖 𝑒𝑖

= ∑ 𝑦𝑖2 + ∑ 𝑒𝑖2

= 𝛽̂𝑖2 ∑ 𝑥𝑖2

Berbagai jumlah kuadrat yang muncul dalam persamaan () dapat digambarkan sebagai

berikut : ∑ 𝑦𝑖2 = ∑(𝑌𝑖 − 𝑌̂)2 = total variasi nilai Y yang sebenarnya disekitar rata-rata

sampelnya, yang bisa disebut sebagai jumlah kuadrat total (total sum of squares, TSS).

∑ 𝑦̂𝑖2 = ∑(𝑌̂𝑖 − 𝑌̂)2 = ∑ 𝑌̂𝑖 − 𝑌̅)2 = 𝛽𝑖2 ∑ 𝑥𝑖2 =variasi nilai Y yang ditaksir di sekitar rata-

ratanya (𝑌̅̂ = 𝑌̅) yang bisa disebut secara benar sebagai jumlah kuadrat akibat regresi atau

cukupdengan jumlah kuadrat yang dijelaskan (explained sumofsquares,ESS). ∑ 𝑒𝑖2 = residual

atau variasi yang tak terjelaskan (unexplained) dari nilai Y di sekitar faris regresi, atau

cukupdengan jumlah kuadrat residual (residual sumof squares,RSS).

TSS = ESS + RSS

𝐸𝑆𝑆 𝑅𝑆𝑆
1= +
𝑇𝑆𝑆 𝑇𝑆𝑆
∑(𝑌̂𝑖 −𝑌̂)2 ∑ 𝑒𝑖2
= ∑(𝑌𝑖−𝑌 2
+ ∑(𝑌𝑖−𝑌 2
̅) ̅)

Ini dapat didefinisikan :

∑(𝑌̂𝑖 − 𝑌̂)2 𝐸𝑆𝑆

𝑅2 = =
∑(𝑌̂𝑖 − 𝑌̂)2 𝑇𝑆𝑆

Besaran R2yang didefinisikan demikian dikenal dengan determinasi (sampel) dan merupakan

besaran yang paling digunakan untuk mengukur kebaikan-sesuai tase total variasidalam Y

yang dijelaskan oleh model regresi. Dua sifat R 2bisa dicatat :

1. R2 merupakan besaran non negative

2. Batasan adalah 0 ≤ R2 ≤ 1. Suatu R 2
sebesar 1 berarti suatu kecocokan sempurna,

dengan variabel yang dijelaskan.

2
Meskipun R dapat dihitung secara langsung dari definisinya yang diberikan dalam

Persamaan (2.35), R 2 dapat diperoleh secara lebih cepat dari rumus berikut :

𝐸𝑆𝑆
𝑅2 =
𝑇𝑆𝑆

∑ 𝑦̂𝑖2
=
∑ 𝑦𝑖2

𝛽𝑖2 ∑ 𝑥𝑖2
= ∑ 𝑦𝑖2

∑𝑥 2
= 𝛽̂𝑖2 (∑ 𝑦𝑖2 )
𝑖

Besaran pada persamaan di atas dapat dihitung dari R = ± √𝑅 2 atau dari definisinya

∑ 𝑥𝑖 𝑦𝑖
𝑅=
√(∑ 𝑥𝑖2 )(∑ 𝑦𝑖2

𝑁 ∑ 𝑥𝑖 𝑦𝑖 −(∑ 𝑥𝑖 )(∑ 𝑦𝑖 )
=
√|𝑁 ∑ 𝑥𝑖2 −(∑ 𝑦𝑖 )2 |𝑁 ∑ 𝑥𝑖2 −(∑ 𝑦𝑖 )2 |

Setelah menghitung koefisien determinasi, maka kita akan dapat mengetahui seberapa

besar variasi peubah takbebas yang dapat dijelaskan oleh model regresi.