Anda di halaman 1dari 11

MAKALAH

BLOK IX: EPIDEMIOLOGI DAN BIOSTATISTIK

REGRESI LINIER

Disusun oleh :

Nandita Nur Afifa

(161610101114)

FAKULTAS KEDOKTERAN GIGI

UNIVERSITAS JEMBER

2017
KATA PENGANTAR

Puji syukur atas kehadirat Tuhan Yang Maha Esa, karena berkat Rahmat
dan Hidayah-Nya, saya dapat menyelesaikan Makalah Biostatistika Uji Analisis
Regresi Linier. Makalah ini saya buat sebagai salah satu sarana untuk lebih
mendalami materi tentang uji analisis regresi linier. Kesempurnaan hanya milik
Tuhan Yang Maha Esa, untuk itu saya mohon maaf apabila dalam makalah ini
masih terdapat kesalahan baik dalam isi ataupun sistematika. Saya juga berharap
makalah ini dapat bermanfaat untuk pendalaman materi pada Blok Epidemiologi
dan Bisotatistika ini.

Jember, 21 Oktober 2017

Penulis
BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Di dalam analisa ekonomi dan bisnis, dalam mengolah data diperlukan


analisis regresi dan korelasi. Analisa regresi dan korelasi telah dikembangkan untuk
mempelajari pola dan mengukur hubungan statistik antara dua atau lebih variabel.
Korelasi dan regresi keduanya mempunyai hubungan yang sangat erat. Setiap
regresi pasti ada korelasinya, tetapi korelasi belum tentu dilanjutkan dengan regresi.
Korelasi yang tidak dilanjutkan dengan regresi, adalah korelasi antara dua variabel
yang tidak mempunyai hubungan kasual/sebab akibat, atau hubungan fungsional.
Untuk menetapkan kedua variabel mempunyai hubungan kusal atau tidak, maka
harus didasarkan pada teori atau konsep-konsep tentang dua variabel tersebut
(Gunawan, 2010)
Menurut Yan and Gang Su (2009), analisis regresi merupakan alat statistik
yang banyak digunakan dalam berbagai bidang. Analisis tersebut bertujuan untuk
mengetahui hubungan antara variabel dependen dan variabel independen. Ada dua
macam tipe dari analisis regresi. Tipe yang pertama adalah regresi linier sederhana
yang berfungsi untuk mengetahui hubungan linier antara dua variabel, satu variabel
dependen dan satu variabel independen. Tipe kedua adalah regresi linier berganda
yang merupakan model regresi linier dengan satu variabel dependen dan lebih dari
satu variabel independen. (Erna, 2015).
BAB II

PEMBAHASAN

2.1 Regresi Linier

Regresi linier adalah metode statistika yang digunakan untuk membentuk


model hubungan antara variabel terikat (dependen; respon; Y) dengan satu atau
lebih variabel bebas (independen, prediktor, X). Apabila banyaknya variabel bebas
hanya ada satu, disebut sebagai regresi linier sederhana, sedangkan apabila terdapat
lebih dari 1 variabel bebas, disebut sebagai regresi linier berganda (Deny, 2012)

Pengertian regresi secara umum adalah sebuah alat statistik yang


memberikan penjelasan tentang pola hubungan (model) antara dua variabel atau
lebih.. Dalam analisis regresi dikenal 2 jenis variabel yaitu:

1. Variabel Respon disebut juga variabel dependen yaitu variabel yang


keberadaannya dipengaruhi oleh variabel lainnya dan dinotasikan dengan
variabel.
2. Variabel Prediktor disebut juga dengan variabel independen yaitu variabel
yang bebas (tidak dipengaruhi oleh variabel lainnya) dan dinotasikan
dengan X.

Untuk mempelajari hubugan – hubungan antara variabel bebas maka regresi


linier terdiri dari dua bentuk, yaitu:

1. Analisis regresi sederhana (simple analysis regresi)

2. Analisis regresi berganda (Multiple analysis regresi)

Adapun untuk mempermudah dalam pengerjaan regresi linier dengan


menggunakan SPSS. SPSS merupakan salah satu sekian banyak software statistika
yang telah dikenal luas dikalangan penggunaannya. Disamping masih banyak lagi
software statistika lainnya seperti Minitab, Syastas, Microstat dan masih banyak
lagi. SPSS sebagai sebuah tools mempunyai banyak kelebihan, terutama untuk
aplikasi di bidang ilmu sosial (Santoso, 2012).
2.2 Tujuan Analisis Regresi

Analisis regresi memiliki 3 kegunaan, yaitu untuk tujuan deskripsi dari


fenomena data atau kasus yang sedang diteliti, untuk tujuan kontrol, serta untuk
tujuan prediksi. Regresi mampu mendeskripsikan fenomena data melalui
terbentuknya suatu model hubungan yang bersifatnya numerik. Regresi juga dapat
digunakan untuk melakukan pengendalian (kontrol) terhadap suatu kasus atau hal-
hal yang sedang diamati melalui penggunaan model regresi yang diperoleh. Selain
itu, model regresi juga dapat dimanfaatkan untuk melakukan prediksi untuk
variabel terikat. Namun yang perlu diingat, prediksi di dalam konsep regresi hanya
boleh dilakukan di dalam rentang data dari variabel-variabel bebas yang digunakan
untuk membentuk model regresi tersebut. Misal, suatu model regresi diperoleh
dengan mempergunakan data variabel bebas yang memiliki rentang antara 5 s.d. 25,
maka prediksi hanya boleh dilakukan bila suatu nilai yang digunakan sebagai input
untuk variabel X berada di dalam rentang tersebut. Konsep ini disebut sebagai
interpolasi.

2.3 Regresi Linier Sederhana

Regresi sederhana didasarkan pada hubungan fungsional ataupun kausal


antara satu variabel independen dengan satu variabel dependen. Persamaan umum
regresi linier sederhana adalah :

Y = a + bX

Keterangan :

Y = subyek dalam variabel dependen yang diprediksikan.

a = harga Y bila X = 0 (harga konstan)

b = angka arah atau koefisien regresi, yang menunjukkan angka peningkatan


ataupun penurunan variabel dependen yang didasarkan pada variabel independen.
Bila b (+) maka naik, dan bila (-) maka terjadi penurunan.
X = subyek pada variabel Independen yang mempunyai nilai tertentu.
Menurut Sudjana (2005), persamaan model regresi sederhana hanya
memungkinkan bila pengaruh yang ada itu hanya dari independent variabel
(variabel bebas) terhadap dependent variabel (variabel tak bebas). Jadi harga b
merupakan fungsi dari koefisien korelasi. Bila koefisien korelasi tinggi, maka harga
b juga besar, sebaliknya bila koefisien korelasi negatif maka harga b juga negatif,
dan sebaliknya bila koefisien korelasi positif maka harga b juga positif. (Dedi,
2015)
2.4 Regresi Linier Berganda
Regresi linier berganda adalah analisis regresi yang menjelaskan
hubungan antara peubah respon (variabel dependen) dengan faktor-faktor yang
mempengaruhi lebih dari satu prediktor (variabel independen).
Regresi linier berganda hampir sama dengan regresi linier sederhana,
hanya saja pada regresi linier berganda variabel bebasnya lebih dari satu variabel
penduga. Tujuan analisis regresi linier berganda adalah untuk mengukur
intensitas hubungan antara dua variabel atau lebih dan membuat prediksi
perkiraan nilai atas.
Secara umum model regresi linier berganda untuk populasi adalah sebagai berikut:

Keterangan :

= adalah koefisien atau parameter model.

= variabel kesalahan (galat)

Model regresi linier berganda untuk populasi diatas dapat ditaksir


berdasarkan sebuah smpel acak yang berukuran n dengan model regresi linier
berganda untuk sampel, yaitu:

Y = a0 + a1X1 + a2X2 + a3X3 + . . . + anXn


Keterangan :
Y = Nilai taksiran bagi variabel Y
a0 = Taksiran bagi parameter konstanta

a0,a1,a2,a3 = Taksiran bagi parameter koefisien regresi a0,a1,a2,a3

Bentuk data yang akan diolah ditunjukkan pada table berikut:

Bentuk Umum Data Observasi

Nomor Responden Variabel Bebas

Observasi (Yi) X1i X2i … Xki

1 Y1 X11 X21 … Xk1

2 Y2 X12 X22 … Xk2

. . . . … .

. . . . … .

. . . . … .

N Yn X1n X2n … Xkn

Yi X1i X21 … Xkn

Tujuan analisis regresi linier adalah untuk mengukur intensitas hubungan


antara dua variabel atau lebih dan memuat prediksi / perkiraan nilai Y dan nilai X.
bentuk umum persamaan regresi linier berganda yang mencakup dua atau lebih
variabel (Dedi, 2015).

2.5 Contoh Terapan Uji Regresi Linier


Berikut ini adalah data yang diambil dengan hasil survey yaitu menghitung
pengunjung, pembeli, dan nominal pembelian tiap hari selama 30 hari
Nominal
Pembelian
Hari Pengunjung Pembeli
(dlm
Ke- (X1) (X2)
jutaan) 16 51 30 0.50175
(Y) 17 36 27 0.44755
1 41 27 0.62105 18 44 32 0.47465
2 55 33 1.3685 19 39 29 0.4851
3 39 20 0.571505 20 30 20 0.3369
4 48 23 0.35005 21 39 23 0.4482
5 41 28 0.4011 22 41 34 0.56665
6 27 19 0.2733 23 37 26 0.52965
7 21 19 0.6564 24 42 27 0.53925
8 28 19 1.09535 25 45 34 0.481
9 32 22 0.54125 26 35 23 0.34285
10 37 25 0.48 27 45 35 0.70285
11 27 18 0.33355 28 51 31 0.76075
12 30 22 0.7113 29 48 33 0.64903
13 28 21 1.03259 30 40 24 1.055125
18.54347
14 45 31 0.6864 Total 1158 777 5
15 36 22 1.099825

Dengan menentukan persamaan regresi linier berganda analisis ini


dimaksudkan untuk mengetahui adanya pengaruh antara variabel X1 (pengunjung),
X2 (pembeli) dan variabel Y (nominal pembelian). Secara umum, data hasil
pengamatan Y dipengaruhi oleh variabel bebas X1, dan X2, sehingga rumus dari
regresi linier berganda adalah :

Y = a0 + a1X1 + a2X2 + a3X3


Dengan menggunakan program SPSS v22, maka diperoleh koefisien-
koefisiennya sebagai berikut:

Tabel 4.2 Persamaan Regresi Linier Berganda

Dari tabel di atas didapat a = 0.459, b = 0.006, c = - 0.003 sehingga dapat


diketahui persamaan regresinya adalah :

Y = 0.459 + 0.006 X1 - 0.003 X2

Persamaan diatas mempunyai arti bahwa jika X1 (pengunjung)


dipersepsikan lebih baik dari X2, maka nilai Y akan bertambah sebesar 0,006. Jika
X2 (pembeli) dipersepsikan lebih baik dari X1, maka nilai Y (nominal pembelian)
akan berkurang sebesar - 0,003. Sedangkan untuk standart error untuk constant =
0.262, X1 = 0.010, X2 = 0.016 (Dedi, 2015)
BAB III

PENUTUP

3.1 Kesimpulan

Analisis regresi adalah suatu analisis yang dilakukan terhadap dua variabel
yaitu variabel independen (prediktor) dan variabel dependen (respon) untuk
mengetahui apakah ada pengaruh variabel prediktor terhadap variabel respon
sehingga variabel respon dapat diduga berdasarkan variabel prediktornya.
Berdasarkan jumlah variabel independennya, analisis regresi linear dibagi menjadi
dua macam yaitu, analisis regresi linear sederhana dan analisis regresi linear ganda.
Pada, analisis regresi linear sederhana, jumlah variabel independen yang digunakan
sebagai penduga variabel dependen hanya satu, sedangkan pada analisis regresi
linear ganda, jumlah variabel independennya lebih dari satu.
DAFTAR PUSTAKA

1. Sudarmanto, Gunawan. 2010, Regresi Linier Sederhana, Bandung: Alfabeta.


2. Zuni Astuti, Erna. 2015, Analisis Regresi dan Korelasi Antara Pengunjung
dan Pembeli Terhadap Nominal Pembelian di Indomaret Kedungmundu
Semarang dengan Metode Kuadrat Terkecil, Semarang: Jurnal Regresi Linier
3. Suwarsito Pratomo, Dedi. 2015, Analisis Regresi dan Korelasi Antara
Pengunjung dan Pembeli Terhadap Nominal Pembelian di Indomaret
Kedungmundu Semarang dengan Metode Kuadrat Terkecil, Semarang:
Jurnal Regresi Linier
4. Kurniawa, Deny. 2012, Regresi Linier.
5. Sugiyono, 2006, Statistika Untuk Penelitian, Cetakan Ketujuh. Bandung: CV.
Alfabeta.
6. Yuan, Yang, C., Multiple Imputation for Missing Data: Concepts and New
Development, SAS Institute Inc., Rockville, MD.