RESUME STASTISTIKA

“Analisis Regresi”

DISUSUN OLEH:

Nama : Mutia Anggraini

NPM : 2018610101

Kelas : 4A

PROGRAM STUDI AGROTEKNOLOGI

FAKULTAS PERTANIAN

UNIVERSITAS MUHAMMADIYAH JAKARTA

2020
Pengertian Analisis Regresi

Regresi adalah suatu metode analisis statistik yang digunakan untuk melihat pengaruh
antara dua atau lebih banyak variabel. 

Hubungan variabel tersebut bersifat fungsional yang diwujudkan dalam suatu model
matematis. Pada analisis regresi, variabel dibedakan menjadi dua bagian, yaitu variabel respons
(response variable) atau biasa juga disebut variabel bergantung (dependent variable), dan
variabel explanatory atau biasa disebut penduga (predictor variable) atau disebut juga variabel
bebas (independent variable). 

Regresi terbagi menjadi beberapa jenis, yaitu regresi sederhana (linier sederhana dan
nonlinier sederhana) dan regresi berganda (linier berganda atau nonlinier berganda).

Manfaat Menerapkan Analisis Regresi

Karena memiliki banyak manfaat, analisis regresi digunakan hampir pada semua bidang
kehidupan, baik dalam bidang ekonomi, industri dan ketenagakerjaan, sejarah, pemerintahan,
ilmu lingkungan, dan lain sebagainya. 

Kegunaan analisis regresi di antaranya untuk mengetahui variabel-variabel kunci yang

memiliki pengaruh terhadap suatu variabel bergantung, pemodelan, serta pendugaan (estimation)
atau peramalan (forecasting). Selain itu, masih ada beberapa kegunaan lainnya, yakni:

1. Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasarkan pada nilai
variabel bebas.

2. Untuk menguji hipotesis karakteristik dependensi.

 3. Meramalkan nilai rata-rata variabel bebas yang didasari nilai variabel bebas diluar
jangkauan sample.

Contoh Analisis Regresi Sederhana

Analisis regresi sederhana adalah sebuah metode pendekatan untuk pemodelan hubungan
antara satu variabel dependen dan satu variabel independen. Dalam model regresi, variabel
independen menerangkan variabel dependennya. Dalam analisis regresi sederhana, hubungan
antara variabel bersifat linier, di mana perubahan pada variabel X akan diikuti oleh perubahan
pada variabel Y secara tetap. 

Sementara pada hubungan nonlinier, perubahan variabel X tidak diikuti dengan

perubahan variabel Y secara proporsional. Misalnya pada model kuadratik, perubahan X diikuti
oleh kuadrat dari variabel X, hubungan demikian tidak bersifat linier.

Secara matematis, model analisis regresi linier sederhana dapat digambarkan sebagai
berikut.

Y = A + BX + e

Y = variabel dependen atau response.

A = intercept  atau konstanta.

B = koefisien regresi atau slope.

e = residual atau error.

Seperti apa model regresi linier yang ideal?

Model regresi linier sederhana yang ideal harus memenuhi beberapa asumsi-asumsi
berikut.
1. Eksogenitas yang lemah

Sebelum menggunakan analisis regresi, kita harus paham bahwa analisis ini
mensyaratkan bahwa variabel X bersifat fixed atau tetap, sementara variabel Y bersifat random.
Maksudnya, satu nilai variabel X akan memprediksi variabel Y sehingga ada kemungkinan
beberapa variabel Y. Dengan demikian harus ada nilai error atau kesalahan pada variabel Y.

Sebagai contoh ketika pendapatan (X) seseorang sebesar Rp1 juta, maka pengeluarannya
bisa saja sebesar Rp500 ribu, Rp600 ribu, Rp700 ribu, atau seterusnya.

2. Linieritas

Model analisis regresi bersifat linier, artinya kenaikan variabel X harus diikuti secara
proporsional oleh kenaikan variabel Y. Jika dalam pengujian linieritas tidak terpenuhi, maka kita
dapat melakukan transformasi data atau menggunakan model kuadratik, eksponensial atau model
lainnya yang sesuai dengan pola hubungan nonlinier.

3. Varians error yang konstan

Ini menjelaskan bahwa varians error atau varians residual yang tidak berubah-ubah

pada response yang berbeda. Asumsi ini lebih dikenal dengan asumsi homoskedastisitas.

Mengapa varians error perlu konstan? Sebab, jika konstan maka variabel error dapat

membentuk model sendiri dan mengganggu model utama. Oleh karena itu, penanggulangan
permasalahan heteroskedastisitas/non-homoskedastisitas dapat diatasi dengan menambahkan
model varians error  ke dalam model atau model ARCH/GARCH.

4. Autokorelasi untuk data time series

Jika kita menggunakan analisis regresi sederhana untuk data time series atau data yang
disusun berdasarkan urutan waktu, maka ada satu asumsi yang harus dipenuhi, yaitu asumsi
autokorelasi. 
 Asumsi ini melihat pengaruh variabel lag waktu sebelumnya terhadap variabel Y. Jika
ada gangguan autokorelasi, artinya ada pengaruh variabel lag waktu sebelumnya terhadap
variabel Y.

Sebagai contoh, model kenaikan harga BBM terhadap inflasi. Jika ditemukan

autokorelasi, maka artinya terdapat pengaruh lag waktu terhadap inflasi. Artinya, inflasi hari ini
atau bulan ini bukan dipengaruhi oleh kenaikan BBM pada hari ini, namun dipengaruhi oleh
kenaikan BBM sebelumnya (satu hari atau satu bulan tergantung data yang dikumpulkan).

Analisis Regresi Linear

Analisis regresi mempelajari bentuk hubungan antara satu atau lebih

peubah/variabel bebas (X) dengan satu peubah tak bebas (Y). Dalam penelitian peubah bebas
( X) biasanya peubah yang ditentukan oleh peneliti secara bebas misalnya dosis obat, lama
penyimpanan, kadar zat pengawet, umur ternak dan sebagainya.

Disamping itu peubah bebas bisa juga berupa peubah tak bebasnya, misalnya dalam
pengukuran panjang badan dan berat badan sapi, karena panjang badan lebih mudah diukur maka
panjang badan dimasukkan kedalam peubah bebas (X), sedangkan berat badan dimasukkan
peubah tak bebas (Y).

Sedangkan peubah tak bebas (Y) dalam penelitian berupa respon yang diukur akibat
perlakuan/peubah bebas (X). misalnya jumlah sel darah merah akibat pengobatan dengan dosis
tertentu, jumlah mikroba daging setelah disimpan beberapa hari, berat ayam pada umur tertentu
dan sebagainya.

Tujuan Regresi Linear

Regresi linier adalah salah satu dari jenis analisis peramalan atau prediksi yang sering
digunakan pada data berskala kuantitatif (interval atau rasio).
 Tujuan dilakukannya regresi linear antara lain adalah:
Apakah seperangkat atau sekumpulan variabel prediktor signifikan dalam memprediksi variabel
respon?
Variabel predictor manakah yang signifikan dalam menjelaskan variable respon? Hal ini
ditunjukkan dengan koefisien estimasi regresi. Koefisien estimasi inilah yang nantinya akan
membentuk persamaan regresi.

Contoh Persamaan Regresi

Sebagai contoh misalnya titik A (1,3) dan titik B ($,9) maka persamaan garis linear yang
dapat dibuat adalah:

Dalam bentuk matrik bisa kita buat persaman sebagai berikut:

 

Jadi a=1 dan b=2 sehingga persamaannya Y=1 +2X

Jika jumlah data sebanyak n maka persamaannya sebagai berikut:

Disini βo adalah penduga a, β1 adlah penduga b dan εi merupakan besarnya simpangan

persamaan garis penduga. Semakin kecil nilai εi persamaan regresi yang diperoleh akan semakin
baik.

Penulisan pengamatan

Jadi kita dapat menuliskan pengamatan kita menjadi:

Dengan notasi matriks dapat ditulis sebagai berikut:

Jadi kita peroleh matrik Y,X,β dan ε dengan dimensi sebagai berikut :

Jika diasumsikan E(ε) = 0 maka E(Y) = Xβ

Bila modelnya benar β merupakan penduga terbaik yaitu dengan jalan melakukan
penggandaan awal dengan X’ sehingga diperoleh persamaan normal sebagai berikut:
Jadi β=(X’X)-1X’Y

Disini(X’X)-1 adalah kebalikan (inverse) dari matrik X’X

Contoh Perhitungan Regresi

Seorang peneliti ingin mengetahui bentuk hubungan antara jumlah cacing jenis tertentu dengan
jumlah telurnya pada usus ayam buras. Untuk tujuan tersebut diperiksa 20 ekor ayam dan
ditemukan sebagai berikut:

Tabel 1 jumlah cacing dan jumlah telurnya pada usus ayam buras.
Dari data diatas kita bisa menghitung:

Bila kita duga bentuk hubungan antara jumlah cacing (X) dan jumlah telurnya (Y) adalah:
Jadi Ŷ=-2,442 + 4,103 Xi,

Persamaan Garis regresi Banyak Jenisnya

Persamaan garis regresi Yi =-2,442 + 4,103 Xi bukanlah satu-satunya garis penduga untuk
menyatakan hubungan antara jumlah cacing dengan jumlah telurnya. Sudah barang tentu masih
banyak lagi bentuk persamaan penduga yang dapat dibuat misalnya dalam bentuk persamaan
Yi=βo+β1Xi+β2Xi2,Yi=βoXiβ1(dalam bentuk linear LnYi=Ln βo+βiLnXi) dan masih banyak
lagi bentuk yang lainnya.

Untuk menyatakan apakah garis yang diperoleh cukup baik untuk menggambarkan hubungan
antara peubah bebas (X) dengan peubah tak bebas (Y) dapat dilakukan pengujian bentuk model
yang digunakan dan keeratan hubungannya (korelasi) untuk menyatakan ketepatan dan ketelitian
persamaan garis regresi yang diperoleh.

Demikianlah penjelsan singkat kami tentang Analisis Regresi Linear. Agar anda memahami
artikel ini, pelajari juga tentang Uji F dan Uji T: “Uji F dan Uji T“