BAB 2

LANDASAN TEORI

2.1 Pengertian Analisis Regresi

Statistik merupakan salah satu cabang ilmu pengetahuan yang paling banyak

mendapatkan perhatian dan dipelajari oleh ilmuan dari hampir semua ilmu bidang

pengetahuan, terutama para peneliti yang dalam penelitiannya banyak

menggunakan statistik sebagai dasar analisis maupun perancangan (Hartono,

Drs.2004).

Regresi adalah suatu proses memperkirakan secara sistematis tantang apa

yang paling mungkin terjadi dimasa yang akan datang berdasarkan informasi

masa lalu dan sekarang yang dimiliki agar kesalahannya dapat diperkecil. Regresi

dapat juga diartikan sebagai usaha memprediksi perubahan (Riduwan,Drs.

M.B.A,2007).

Analisis regresi (regression analysis) merupakan suatu teknik untuk

membangun persamaan dan menggunakan persamaan tersebut untuk membuat

perkiraan. Dengan demikian analisis regresi juga dapat diartikan sebagai analisis

perkiraan. Karena merupakan suatu prediksi maka nilai prediksi tidak

memberikan jawaban pasti tentang apa yang sedang dianalisis, semakin kecil

tingkat penyimpangan antara nilai prediksi dengan nilai rilnya, maka semakin

12

Universitas Sumatera Utara

tepat persamaan regresi yang dibentuk. Tujuan utama regresi adalah untuk

membuat perkiraan nilai suatu variabel (variabel dependen) jika nilai variabel

yang lain yang berhubungan dengannya (variabel lainnya) sudah ditentukan.

Berikut beberapa defenisi regresi menurut ahlinya yaitu:

1. Analisis regresi merupakan suatu teknik untuk membangun sebuah persamaan

garis lurus dan menggunakan persamaan tersebut untuk membuat perkiraan

(Mason, 1996:489)

2. Persamaan regresi adalah suatu formula matematis yang menunjukkan

hubungan keterkaitan antara satu atau beberapa variabel yang nilainya sudah

diketahui dengan variabel yang nilainya belum diketahui (Algifri, 2002: 2)

3. Analisis regresi adalah hubungan yang didapat dan dinyatakan dalam bantuk

persamaan matematika yang menyatakan hubungan fungsional antar variabel-

variabel (Sudjana, 2005: 310).

2.2 Persamaan Regresi

Model analisis regresi merupakan suatu model yang parameternya linier (biasanya

fungsinya berbentuk garis lurus). Secara kuantitatif dapat digunakan untuk

menganalisis pangaruh suatu variabel terhadap variabel lainnya. Analisis regresi

menyangkut studi tentang hubungan antara suatu variabel Y yang disebut variabel

respon atau variabel dependen yaitu variabel yang keberadaannya dipengaruhi

oleh variabel lainnya. Variabel X merupakan variabel predictor atau variabel

independen yaitu variabel bebas (tidak dipengaruhi variabel lainnya) (Sugiyono.

Dr, 2010).

13

Universitas Sumatera Utara

 Sifat hubungan antara variabel dalam persamaan regresi merupakan

hubungan sebab akibat. Oleh karena itu, sebelum menggunakan persamaan regresi

dalam menjelaskan hubungan antara dua atau lebih variabel, maka perlu dilakukan

penganalisisan data agar dapat diketahui apakah variabel-variabel tersebut

berkolerasi. Sehingga membentuk sebuah pola garis lurus seperti gambar 2.1

berikut ini:

Gambar 2.1 pola garis lurus

Antara variabel babas (X) dan variabel terikat (Y) membentuk pola sebuah garis

yang lurus, dan dalam aplikasinya jika nilai X meningkat maka nilai Y juga akan

meningkat, jika nilai X mengalami penurunan maka nilai Y juga akan mengalami

penurunan. Untuk mengetahui hubungan-hubungan antara variabel bebas maka

regresi linier terdiri dari dua bentuk, yaitu analisis regresi linier sederhana (simple

analisis regresi) dan analisis regresi linier berganda (multiple analisis regresi).

2.3 Regresi Linier Sederhana

14

Universitas Sumatera Utara

Regresi linier sederhana digunakan untuk mendapatkan hubungan matematis

dalam bentuk suatu persamaan antara variabel tak bebas dengan variabel bebas

tunggal. Regresi linier sederhana hanya memiliki satu perubahan regresi linier

untuk populasi adalah sebagai berikut:

(2.1)

keterangan:

Y = Variabel tidak bebas (independent variabel)

= Konstanta regresi atau paremeter intersep (nilai Y, bila X = 0)

= Parameter slop (kemiringan garis regresi)

= Variabel bebas (dependent variable)

= Kesalahan ( Error )

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 (Sudjana, 2005).

15

Universitas Sumatera Utara

2.4 Regresi Linier Berganda

Jika dalam regresi linier sederhana hanya memiliki dua variabel saja yaitu satu

variabel terikat (Y) dan satu variabel bebas (X) dengan satu predictor (a). pada

regresi linier berganda terdapat lebih dari dua variabel, satu variabel terikat, dan

lebih dari satu untuk variabel bebas.

Regresi berganda berguna untuk mencari pengaruh dua atau lebih variabel

bebas atau untuk mencari hubungan fungsional dua variabel bebas atau lebih

terhadap variabel terikatnya. Dengan demikian multiple regression (regresi

berganda) digunakan untuk untuk penelitian yang menyertakan beberapa variabel

sekaligus. Dalam hal ini regresi juga dapat dijadikan pisau analisis terhadap

penelitian yang diadakan, tentu saja jika diarahkan untuk menguji variabel-

variabel yang ada (Supranto.J.MA.2009).

Tujuan analisis regresi linier adalah untuk mengukur intensitas hubungan

antara dua variabel atau lebih dan memuat prediksi atau perkiraan nilai Y dan nilai

X. bentuk umum persamaan regresi linier berganda yang mencakup dua atau lebih

variabel, yaitu:

Untuk populasi

(2.2)

Keterangan:

adalah koefisien atau parameter model.

Untuk Sampel

16

Universitas Sumatera Utara

 (2.3)

keterangan:

= Variabel tidak bebas (dependent variable)

= Koefisien regresi

= Variabel bebas (indepent variable)

= Kesalahan penggangu (disturbunce error)

Persamaan regresi linear berganda merupakan penyajian secara matematis dari

regresi dimana variabel terikatnya Y dihubungkan atau dijelaskan lebih dari satu

variabel bebas ( ) namun masih menunjukkan diagram hubungan yang linear.

Bentuk umum persamaan penduga regresi linear berganda, yaitu:

(2.4)

Nilai dari koefisien dapat diselesaikan dengan cara sebagai

berikut:

(2.5)

17

Universitas Sumatera Utara

keterangan:

= Variabel tidak bebas (dependent variable)

= Koefisien regresi

= Variabel bebas (independent variable)

2.5 Kesalahan Standart Estimasi

Untuk mengetahui ketepatan persamaan estimasi dapat digunakan kesalahan

standar estimasi (standard error of estimate). Besarnya kesalahan standar estimasi

menunjukkan ketepatan persamaan estimasi untuk menjelaskan nilai variabel

tidak bebas yang sesungguhnya. Semakin kecil nilai kesalahan standar estimasi,

makin tinggi ketepatan persamaan estimasi yang dihasilkan untuk menjelaskan

nilai variable tidak bebas sesungguhnya. Sebaliknya, semakin besar nilai

kesalahan standar estimasi, makin rendah ketepatan persamaan estimasi yang

dihasilkan untuk menjelaskan nilai variable tidak bebas sesungguhnya. Kesalahan

standar estimasi dapat ditentukan dengan rumus:

18

Universitas Sumatera Utara

 (2.6)

Keterangan:

= Kesalahan standar estimasi

= Nilai sebenarnya

= Nilai regresi (penduga)

= banyak sampel

= Jumlah variabel bebas (Independent variable)

2.5 Kesalahan Standar Estimasi

Dalam persamaan model regresi linier yang diperoleh, maka antara nilai Y dan

akan menimbulkan perbedaan hasil yang sering disebut sebagai kekeliruan. Untuk

mengetahui ketepatan persamaan estimasi dapat digunakan kesalahan standar

estimasi (standard error of estimate). Besarnya kesalahan standar estimasi

menunjukkan ketepatan persamaan estimasi untuk menjelaskan nilai variabel

tidak bebas yang sesungguhnya. Semakin kecil nilai kesalahan standar estimasi,

makin tinggi ketepatan persamaan estimasi yang dihasilkan untuk menjelaskan

nilai variabel terikat yang sesungguhnya. Sebaliknya, semakin besar nilai

19

Universitas Sumatera Utara

kesalahan standar estimasi, makin rendah ketepatan persamaan estimasi yang

dihasilkan untuk menjelaskan nilai variabel terikat yang sesungguhnya.

Kesalahan standar estimasi atau selisih taksir standar regresi adalah nilai

menyatakan seberapa jauh menyimpangnya nilai regresi tersebut terhadap nilai

sebenarnya. Nilai ini digunakan untuk mengukur tingkat ketepatan suatu

pendugaan dalam menduga nilai. Jika nilai ini sama dengan nol maka penduga

tersebut memiliki tingkat ketepatan 100%.

Untuk mengetahui ketepatan persamaan estimasi dapat digunakan

kesalahan standar estimasi (standard error of estimate). Kesalahan standar

estimasi diberi simbol yang dapat ditentukan dengan menggunakan formulasi

sebagai berikut:

(2.7)

keterangan:

= kesalahan baku

= nilai data sebenarnya

= nilai taksiran

n = banyak ukuran sampel

k = banyak variabel bebas

20

Universitas Sumatera Utara

2.6 Koefisien Determinasi
2
Koefisien determinasi dinyatakan dengan R untuk pengujian regresi linier

berganda yang mencakup lebih dari dua variabel, untuk mengetahui proporsi

keragaman total dalam variabel tak bebes (Y) yang dapat dijelaskan atau

diterangkan oleh variabel-variabel bebas (X) yang ada didalam model persamaan

regresi linier berganda secara bersama-sama. Maka R2 akan ditentukan dengan

rumus, yaitu:

2.8

keterangan:

= Koefisien determinasi

= Regression Sum of Square

SST = Total Sum of Square

Semakin nilai dari kofisien determinasi mendekati positif 1, maka semakin

baik nilai tersebut untuk meramalkan atau memprediksi dan akan lebih mendekati

nilai yang sebenarnya.

2.7 Koefisien Korelasi

Setelah mendapatkan hasil tentang jumlah pengaruh pada variabel yang diteliti

untuk selanjutnya penulis akan mencari seberapa besar hubungan antara variabel

terikat dengan variabel bebas, atau antara variabel bebas itu sendiri. Studi yang

21

Universitas Sumatera Utara

membahas derajat hubungan antara variabel-variabel tersebut dikenal dengan

nama analisis korelasi.

Analisis korelasi adalah alat statistik yang dapat digunakan untuk

mengetahui derajat hubungan linier antara satu variabel dengan variabel yang lain.

Umumnya analisis korelasi digunakan, dalam hubungan dengan analisis regresi,

untuk mengukur ketepatan garis regresi dalam menjelaskan variasi nilai variabel

dependent.

Sandaran nilainya adalah, -1 1. Semakin tinggi nilai koefisien

korelasi (semakin mendekati nilai 1) maka hubungan antara dua variabel tersebut

semakin tinggi, jika nilai koefisiennya mendekati nilai 0 maka hubungannya

semakin rendah. Adapun jika nilainya bertanda negative, maka terjadi hubungan

yang berlawanan arah, artinya jika suatu nilai variabel naik maka nilai variabel

lain akan turun.

a. Korelasi Positif

Jika suatu korelasi bertanda positif r > 0 maka gambar grafiknya seperti

ditunjukkan oleh gambar 2.2 berikut:

22

Universitas Sumatera Utara

Gambar 2.2 Korelasi Positif

Terjadinya korelasi positif apabila pada variabel yang satu diikuti dengan

perubahan variabel yang lain dengan arah yang sama (berbanding lurus).

b. Korelasi Negatif

Jika suatu korelasi betanda negatif r < 0 maka contoh gambar grafikya seperti

ditunjukkan oleh gambar berikut:

Gambar 2.3 Korelasi Negatif

23

Universitas Sumatera Utara

Korelasi negatif terjadi apabila perubahan pada variabel yang satu diikuti dengan

perubahan variabel yang lain dengan arah yang berlawanan (berbanding terbalik).

c. Korelasi Nihil

Jika suatu korelasi tidak menunjukkan adanya hubungan r = 0 maka gambar

grafiknya seperti ditunjukkan oleh gambar 2.4 berikut:

Gambar 2.4 korelasi nol

Korelasi nihil terjadi apabila perubahan pada variabel yang satu diikuti perubahan

pada variabel yang lain dengan arah yang tidak teratur (acak). Artinya apabila

variabel yang satu meningkat, kadang diikuti dengan peningkatan pada variabel

lain dan kadang diikuti dengan penurunan pada variabel lain.

Besarnya hubungan antara variabel yang satu dengan variabel yang lain

dinyatakan dengan koefisien korelasi yang disimbolkan dengan “r”.

Berikut ini nilai interval koefisien dan tingkat hubungannya.

24

Universitas Sumatera Utara

 Tabel 2.1. Interpretasi Koefisien Kolerasi Nilai r

Interval Koefisien Tingkat Hubungan

Sangat Kuat

Kuat

Cukup Kuat

Rendah

Sangat Rendah

Koefisien korelasi antara variabel yang satu dengan yang lainnya dapat ditentukan

dengan rumus sebagai berikut:

(2.9)

keterangan:

ryx = koefisien korelasi

Xki = Variabel independent

Yi = Variabel bebas dependent

Rumus koefisien korelasi antara variabel satu dengan variabel lainnya

dapat dilihat sebagai berikut:

1. Koefisi

en kolerasi antara X1 dengan Y

25

Universitas Sumatera Utara

 (2.10)

2. Koefisien kolerasi antara X2 dengan Y

(2.11)

3. Koefisien kolerasi antara X3 dengan Y

(2.12)

4. Koefisien kolerasi antara X4 dengan Y

keterangan:
= Koefisien korelasi antara variabel dan Y

= Koefisien korelasi antara variabel dan Y

= Koefisien korelasi antara variabel dan Y

= Koefisien korelasi antara variabel dan Y

2.8 Uji Regresi Linier Berganda

26

Universitas Sumatera Utara

Pengujian hipotesis bagi koefisien-koefisien regresi linear berganda dapat

dilakukan secara serentak atau keseluruhan.

Uji regresi linier berganda perlu dilakukan untuk mengetahui apakah sekelompok

variabel bebas secara bersamaan mempunyai pengaruh terhadap variabel tak

bebas. Pengujian Hipotesis Serentak. Pengujian ini dapat dicari dengan

menggunakan rumus uji statistik F, yaitu:

(2.14)

keterangan:

JKreg : Jumlah kuadrat regresi

JKres : Jumlah kuadrat residu (sisa)

(n-k-1) : Derajat kebebasan

(2.15)

keterangan:

x1i = X1i -

x2i = X2i -

xki = Xki -

27

Universitas Sumatera Utara

 (2.16)

Dalam pengujian persamaan regresi terutama menguji hipotesis tentang

parameter koefisien regresi secara keseluruhan melibatkan intersep serta k buah

variabel penjelasan sebagai berikut:

(2.17)

Dengan persamaan penduganya adalah:

(2.18)

keterangan:

merupakan penduga bagi parameter

Langkah-langkah yang dilakukan dalam pengujian hipotesis adalah sebagai

berikut:

1. Menentukan formulasi hipotesis

H0 : β1 = β2 = … = βk = 0 (X1, X2, ... , Xk tidak mempengaruhi Y)

H1 : (X1, X2, ... , Xk mempengaruhi Y)

2. Menentukan taraf nyata α dan Ftabel

Pilih taraf nyata α yang diinginkan, biasanya 5%, 1%, dan 10%

Ftabel dapat dilihat dari daftar tabel dengan V1 = k dan V2 = n – k – 1

3. Menentukan kriteria pengujian

H0 diterima apabila

28

Universitas Sumatera Utara

 H0 ditolak apabila

4. Menentukan nilai statistik F

(2.19)

5. Membuat kesimpulan apakah H0 diterima atau ditolak

2.9 Uji Koefisien Regresi Linier Berganda

Keberartian adanya variabel-variabel bebas dalam regresi berganda perlu diuji

untuk menunjukkan seberapa besar pengaruh yang diberikan variabel tak bebas.

Dan cara yang tepat untuk mengujinya adalah dengan menggunakan uji statistik t

(t student).

Secara umum rumus uji t adalah:

(2.20)

Untuk menguji hipotesis yang ada digunakan kekeliruan baku taksiran

2
s y,1,2,3,…,k .

Jadi, untuk melihat kekeliruan baku dari koefisien bi adalah:

(2.21)

Dimisalkan populasi mempunyai model regresi berganda sebagai berikut:

(2.22)

Langkah-langkah pengujiannya adalah sebagai berikut:

1. Hipotesis

29

Universitas Sumatera Utara

 , i = 1,2,…,k (Variabel independen (X1,X2,X3, X4)

tidak mempengaruhi variabel dependen (Y))

, i = 1,2,…,k (Minimal ada satu parameter koefisien regresi

yang tidak mempengaruhi variabel dependen (Y))

2. Menentukan taraf nyata α dan ttabel dengan derajat kebebasan df = n – k. Pilih

taraf nyata α yang diinginkan.

3. Kriteria Pengujian:

H0 diterima jika

H0 ditolak jika atau

4. Menentukan nilai statistik t

(2.23)

Untuk menguji hipotesis yang ada digunakan kekeliruan baku taksiran s2y,1,2,3,…,k .

Jadi, untuk melihat kekeliruan baku dari koefisien bi adalah:

(2.24)

keterangan:

30

Universitas Sumatera Utara

5. Membuat kesimpulan apakah H0 diterima atau ditolak

31

Universitas Sumatera Utara