Diskusi.

10
Silahkan mempergunakan forum ini untuk mendiskusikan materi dalam inisiasi.

Assalamualaikum Wr. Wb
Yth Tutor dan rekan-rekan, berikut tanggapan saya:

Dalam memprediksi dan mengukur nilai dari pengaruh satu variabel (bebas/independent/
predictor) terhadap variabel lain (tak bebas/dependent/response) dapat digunakan analisis/uji
regresi. Analisis/uji regresi merupakan suatu kajian dari hubungan antara satu variabel, yaitu
variabel yang diterangkan (the explained variabel) dengan satu atau lebih variabel, yaitu
variabel yang menerangkan (the explanatory). Apabila variabel bebasnya hanya satu, maka
analisis regresinya disebut dengan regresi sederhana. Apabila variabel bebasnya lebih dari satu,
maka analisis regresinya dikenal dengan regresi linear berganda. Dikatakan berganda karena
terdapat beberapa variabel bebas yang mempengaruhi variabel tak bebas.

Analisis/uji regresi banyak digunakan dalam perhitungan hasil akhir untuk penulisan
karya ilmiah/penelitian. Hasil perhitungan analisis/uji regresi akan dimuat dalam kesimpulan
penelitian dan akan menentukan apakah penelitian yang sedang dilakukan berhasil atau tidak.
Analisis perhitungan pada uji regresi menyangkut beberapa perhitungan statistika seperti uji
signifikansi (uji-t, uji-F), anova dan penentuan hipotesis. Hasil dari analisis/ uji regresi berupa
suatu persamaan regresi. Persamaan regresi ini merupakan suatu fungsi prediksi variabel yang
mempengaruhi variabel lain.

1. Definisi
Regresi dalam pengertian moderen menurut Gujarati (2009) ialah sebagai kajian terhadap
ketergantungan satu variabel, yaitu variabel tergantung terhadap satu atau lebih variabel
lainnya atau yang disebut sebagai variabel – variabel eksplanatori dengan tujuan untuk
membuat estimasi dan / atau memprediksi rata – rata populasi atau nilai rata-rata variabel
tergantung dalam kaitannya dengan nilai – nilai yang sudah diketahui dari variabel
ekslanatorinya. Selanjutnya menurut Gujarati meski analisis regresi berkaitan dengan
ketergantungan atau dependensi satu variabel terhadap variabel – variabel lainnya hal
tersebut tidak harus menyiratkan sebab – akibat (causation).
Regresi linier mempunyai persamaan yang disebut sebagai persamaan regresi. Persamaan
regresi mengekspresikan hubungan linier antara variabel tergantung/variabel kriteria yang
diberi simbol Y dan salah satu atau lebih variabel bebas/prediktor yang diberi simbol X
jika hanya ada satu prediktor dan X1, X2 sampai dengan Xk, jika terdapat lebih dari satu
prediktor (Crammer & Howitt, 2006:139).
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.

Sedang garis regresi didefinisikan sebagai garis lurus yang ditarik dari titik – titik diagram
pencar (scattered diagram) dari nilai variabel tergantung dan variabel bebas sehingga garis
tersebut menggambarkan hubungan linier antara variabel-variabel tersebut. Jika nilai-nilai
ini merupakan garis regresi nilai baku maka garis ini sama dengan garis korelasi. Garis ini
disebut juga sebagai garis kecocokan yang sempurna dimana garis lurus tersebut berada
pada posisi terdekat pada titik-titik diagram pencar.
Garis ini dapat digambarkan dari nilai-nilai persamaan regresi dalam bentuk yang paling
sederhana yaitu:

Nilai yang diprediksi = intercept + (koefesien regresi x nilai prediktor)

Sumbu vertikal dari diagram pencar digunakan untuk menggambarkan nilai-nilai variabel
tergantung sedang sumbu horizontal menggambarkan nilai prediktor. Intercept merupakan
titik sumbu vertikal yang merupakan nilai variabel tergantung yang diprediksi saat nilai
prediktor atau variabel bebas sebesar nol. Nilai yang diprediksi akan sebesar akan sebesar
0 jika koefesien regresi baku digunakan.

Jika digambarkan akan nampak seperti di bawah ini:

Gambar 1.1 Garis Regresi

Persamaannya ialah
Y = a + β1X1
Dengan:
Y= variabel tergantung / variabel kriteria a= intercept Y
β= kemiringan (slope)
X= variabel bebas
Garis regresi mempunyai 3 (tiga) kemungkinan yaitu: 1) hubungan linier positif, 2) hubungan
linier negatif, dan 3) tidak ada hubungan linier. Gambarnya seperti di bawah ini:
1) Hubungan Linier Positif

Gambar 1.2 Hubungan Linier Positif

2) Hubungan Linier Negatif
Gambar 1.3 Hubungan Linier Negatif
3) Tidak Ada Hubungan Linier
Gambar 1.4 Tidak Ada Hubungan Linier
2 Tujuan
Tujuan menggunakan analisis regresi ialah

a. Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasarkan 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 sampel.

3 Asumsi Penggunaan Regresi

Penggunaan regresi linear sederhana didasarkan pada asumsi diantaranya sbb:

a. Model regresi harus linier dalam parameter

b. Variabel bebas tidak berkorelasi dengan disturbance term (Error) .
c. Nilai disturbance term sebesar 0 atau dengan simbol sebagai berikut: (E (U / X) = 0
d. Varian untuk masing-masing error term (kesalahan) konstan
e. Tidak terjadi otokorelasi
f. Model regresi dispesifikasi secara benar. Tidak terdapat bias spesifikasi dalam model
yang digunakan dalam analisis empiris.
g. Jika variabel bebas lebih dari satu, maka antara variabel bebas (explanatory) tidak ada
hubungan linier yang nyata

4. Regresi Linier Sederhana

Persamaan regresi linier sederhana merupakan suatu model persamaan yang menggambarkan
hubungan satu variabel bebas/ predictor (X) dengan satu variabel tak bebas/ response (Y), yang
biasanya digambarkan dengan garis lurus, seperti disajikan pada Gambar

Gambar Ilustrasi Garis Regresi Linier

Persamaan regresi linier sederhana secara matematik diekspresikan oleh :

Langkah-langkah Analisis/Uji Regresi Linier Sederhana

Adapun langkah-langkah yang perlu dilakukan untuk melakukan analisis/uji regresi linier
sederhana adalah sebagai berikut :

a. Menentukan tujuan dari Analisis Regresi Linear Sederhana

b. Mengidentifikasi variabel predictor dan variabel response
c. Melakukan pengumpulan data dalam bentuk tabel
d. Menghitung X², XY dan total dari masing-masingnya
e. Menghitung a dan b menggunakan rumus yang telah ditentukan
f. Membuat model Persamaan Garis Regresi
g. Melakukan prediksi terhadap variabel predictor atau response
h. Uji signifikansi menggunakan Uji-t dan menentukan Taraf Signifikan

5. Regresi Ganda
Analisis regresi ganda digunakan oleh peneliti, bila peneliti bermaksud meramalkan
bagaimana keadaan (naik turunnya) variabel dependen (kriterium), bila dua atau lebih
variabel independen sebagai prediktor dimanipulasi (dinaik-turunkan nilainya). Jadi analisis
regresi ganda akan dilakukan bila jumlah variabel independennya minimal 2.

Persamaan regresi untuk dua prediktor adalah :

Y = a + b1X1 + b2X2

Persamaan regresi untuk tiga prediktor adalah :

Y = a + b1X1 + b2X2+ b3X3

Persamaan regresi untuk n prediktor adalah :

Y =a + b1X1 + b2X2 + b3X3 + bnXn
 Untuk bisa membuat ramalan melalui regresi, maka data setiap variabel harus tersedia.
Selanjutnya berdasarkan data itu peneliti harus dapat menemukan persamaan regresi melalui
perhitungan.

a. Jenis regresi Berganda

Regresi berganda sebagai salah satu jenis analisis statistik, banyak sekali macamnya,
tergantung pada skala data per variabel.
1) Regresi Logistik Berganda
Regresi Logistik berganda adalah model regresi berganda jika variabel terikatnya adalah
data dikotomi. Dikotomi artinya dalam bentuk kategorik dengan jumlah kategori sebanyak
2 kategori. Misal: Laki-laki dan perempuan, baik dan buruk, ya dan tidak, benar dan salah
serta banyak lagi contoh lainnya.
Sedangkan variabel bebas jenis regresi berganda ini pada umumnya adalah juga variabel
dikotomi. Namun tidak masalah jika variabel dalam skala data interval, rasio, ordinal
maupun multinomial.
Contoh regresi berganda jenis ini adalah: pengaruh rokok dan jenis kelamin terhadap
kejadian kanker paru. Dimana rokok kategorinya ya dan tidak, jenis kelamin kategorinya
laki-laki dan perempuan, sedangkan kejadian kanker paru kategorinya ya dan tidak.
Ada dua metode yang sering dipakai dalam jenis regresi berganda ini, yaitu metode logit
dan probit.
2) Regresi Ordinal berganda
Regresi berganda jenis ini adalah analisis regresi dimana variabel terikat adalah berskala
data ordinal. Sedangkan variabel bebas pada umumnya juga ordinal, namun tidak masalah
jika variabel dengan skala data yang lain, baik kuantitatif maupun kualitatif. Keunikan
regresi ini adalah jika variabel bebas adalah data kategorik atau kualitatif, maka disebut
sebagai faktor. Sedangkan jika data numerik atau kuantitatif, maka disebut sebagai
covariates.
Ada 5 metode perhitungan jenis regresi ordinal. Contoh regresi berganda jenis ini adalah:
pengaruh tingkat penghasilan dan usia terhadap tingkat pengetahuan terhadap IT. Dimana
tingkat penghasilan sebagai faktor dengan kategori: rendah, menengah dan tinggi. Usia
sebagai covariates dengan skala data numerik. Dan tingkat pengetahuan terhadap IT sebagai
variabel terikat berskala data ordinal dengan kategori: baik, cukup dan kurang.
3) Regresi Multinomial Berganda
Regresi multinomial berganda adalah jenis regresi dimana variabel terikat adalah data
nominal dengan jumlah kategori lebih dari 2 (dua) dan variabel bebas ada lebih dari satu
variabel. Jenis regresi ini hampir sama dengan regresi logistik berganda, namun bedanya
adalah variabel terikat kategorinya lebih dari dua, sedangkan regresi logistik berganda
variabel terikatnya mempunyai kategori hanya dua (dikotomi).
Regresi ini juga mirip dengan regresi ordinal, hanya saja bedanya skala data pada regresi ini
tidak bertingkat (bukan ordinal) atau dengan kata lain tidak ada yang lebih baik atau lebih
buruk.
Contoh regresi ini adalah: Pengaruh Pendidikan Orang Tua dan Penghasilan Orang Tua
terhadap pilihan jurusan kuliah. Dimana pendidikan dan penghasilan orang tua berskala data
 ordinal dan pilihan jurusan kuliah adalah variabel berskala data nominal lebih dari dua
kategori, yaitu: jurusan kesehatan, hukum, sosial, sastra, pendidikan, lain-lain.
4) Regresi Data Panel Berganda
Dari jenis-jenis di atas, sebenarnya masih ada jenis lain yang merupakan pengembangan
dari jenis-jenis di atas, yaitu dengan adanya kompleksitas berupa data time series atau runtut
waktu, atau data panel. Seperti yang terjadi pada regresi data panel ataupun regresi cochrane
orcutt.

Maka dari penjelasan diatas dapat disimpulkan, Analisis regresi linier sederhana adalah
hubungan secara linear antara satu variabel independen (X) dengan variabel dependen (Y).
sedangkan regresi linier berganda jika variabel bebas lebih dari satu atau Analisis regresi
linier berganda adalah hubungan secara linear antara dua atau lebih variabel independen
(X1, X2,….Xn) dengan variabel dependen (Y)

Demikian yang dapat saya sampaikan

Terimaksih

Sumber:
http://jangkrik2011.blogspot.com/2013/05/regresi-linear-sederhana.html
https://simdos.unud.ac.id/uploads/file_pendidikan_1_dir/3218126438990fa0771ddb555f70be
42.pdf
http://www.konsultanstatistik.com/2009/03/regresi-linear.html