Pengertian
• 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.
KEGUNAAN
• 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.
• model regresi juga dapat dimanfaatkan untuk
melakukan prediksi untuk variabel terikat.
• Data untuk variabel independen X pada regresi
linier bisa merupakan data pengamatan yang tidak
ditetapkan sebelumnya oleh peneliti (obsevational
data) maupun DATA YANG TELAH DITETAPKAN
(DIKONTROL) OLEH peneliti sebelumnya
(EXPERIMENTAL OR fixed data).
• Perbedaannya adalah bahwa dengan menggunakan
Fixed Data, Informasi Yang Diperoleh Lebih kuat
dalam menjelaskan Hubungan Sebab Akibat antara
variabel X dan variabelY.
OBSERVATIONAL V.S
EKSPERIMENTAL DATA
• pada observational data, informasi yang diperoleh belum tentu
merupakan hubungan sebab-akibat.
• Untuk fixed data, peneliti sebelumnya telah memiliki beberapa
nilai variabel X yang ingin diteliti.
• Sedangkan, pada observational data, variabel X yang diamati
bisa berapa saja, tergantung keadaan di lapangan.
• Biasanya, fixed data diperoleh dari percobaan laboratorium, dan
observational data diperoleh dengan menggunakan kuesioner.
KOEFISIEN
• Di dalam suatu model regresi kita akan menemukan koefisien-
koefisien.
• KOEFISIEN PADA MODEL REGRESI sebenarnya adalah NILAI
DUGA PARAMETER DI dalam model regresi untuk kondisi
yang sebenarnya (true condition), sama halnya dengan statistik
mean (rata-rata) pada konsep statistika dasar.
• koefisien-koefisien untuk model regresi merupakan suatu nilai
rata-rata yang berpeluang terjadi pada variabel Y (variabel
terikat) bila suatu nilai X (variabel bebas) diberikan.
1. INTERSEP (INTERCEPT)
• Intersep, definisi secara metematis adalah suatu titik
Perpotongan Antara Suatu Garis Dengan Sumbu Y pada
diagram/sumbu kartesius saat nilai X = 0.
• secara statistika adalah nilai rata-rata pada variabelY apabila
nilai pada variabel X bernilai 0.
• Apabila X tidak memberikan kontribusi, maka secara rata-rata,
variabel Y akan bernilai sebesar intersep.
• Perlu diingat, intersep hanyalah suatu konstanta yang
memungkinkan munculnya koefisien lain di dalam model regresi.
• Intersep tidak selalu dapat atau perlu untuk diinterpretasikan.
Apabila data pengamatan pada variabel X tidak mencakup nilai
0atau mendekati 0, maka intersep tidak memiliki makna yang
berarti, sehingga tidak perlu diinterpretasikan.
SLOPE
• Secara matematis, slope merupakan ukuran kemiringan
dari suatu garis.
• Slope adalah koefisien regresi untuk variabel X (variabel
bebas).
• Dalam konsep statistika, slope merupakan suatu nilai
yang menunjukkan seberapa besar kontribusi
(sumbangan) yang diberikan suatu variabel X terhadap
variabel Y.
• Nilai slope dapat pula diartikan sebagai ratarata
pertambahan (atau pengurangan) yang terjadi pada
variabel Y untuk setiap peningkatan satu satuan variabel
X.
Contoh model regresi:
Y = 9.4 + 0.7*X + e
• Angka 9.4 merupakan intersep, 0.7 merupakan slope,
sedangkan e merupakan error.
• Error bukanlah berarti sesuatu yang rusak, hancur atau
kacau. Pengertian error di dalam konsep statistika berbeda
dengan pengertian error yang selama ini dipakai di dalam
kehidupan sehari-hari.
• Di dalam konsep regresi linier, error adalah semua hal
yang mungkin mempengaruhi variable terikat Y, yang tidak
diamati oleh peneliti.
• Berikut ini adalah contoh garis regresi di dalam sebuah
grafik:
• Dalam grafik diatas dapat kita lihat bahwa sumbu X berada
pada kisaran angka 5 lebih sedikit hingga angka 15 lebih
sedikit. Hal ini berarti bahwa kita hanya diijinkan untuk
melakukan prediksi nilaiY untuk nilai X yang berada dalam
rentang tersebut. Sebab, kita tidak memiliki dasar yang kuat
untuk mengatakan bahwa hubungan variabel X dan Y tetap
linier untuk titik-titik data yang mendekati angka nol.
• Kondisi seperti ini berdampak terhadap interpretasi intersep.
Dalam kasus ini, karena data untuk variabel X tidak memuat
angka nol atau mendekati nol, intersep dikatakan tidak
memiliki makna yang berarti, sehingga tidak perlu di
interpretasikan
ASUMSI-ASUMSI
1. Populasi-populasi yang akan diuji
berdistribusi normal →Uji normalitas
2. Antar variabel bebas tidak terjadi korelasi →
Uji asumsi multikolinieritas
3. Varians antar variabel tidak boleh berbeda
(homoskedastisitas) → Uji asumsi
Heteroskedastisitas
4. Apabila data merupakan hasil pengamatan
berdasarkan waktu berkala (time series)
tidak boleh terjadi korelasi antara kesalahan
pengganggu pada periode t dengan
kesalahan pada periode t-1 (sebelumnya) →
Uji asumsi autokorelasi
HIPOTESIS
Ho : 1 = 0
Umur (X1), depresi (X2), demensia (X3), dan
dukungan sosial (X4) secara bersama-sama
tidak berpengaruh secara signifikan terhadap
kapasitas fungsional lansia (Y)
H1 : 1 0
Umur (X1), depresi (X2), demensia (X3), dan
dukungan sosial (X4) secara bersama-sama
berpengaruh secara signifikan terhadap
kapasitas fungsional lansia (Y)
Pilihan Menu
Pilihan Menu
Output SPSS (uji model pertama)
b
Variables Entered/Removed
Variables
Model Variables Entered Remov ed Met hod
1 Skor dukungan sos ial,a Skor depres i,
, Enter
Umur , Skor demensia
a. All request ed v ariables entered.
b. Dependent Variable: Sk or kapas itas f ungsional lans ia sebelum
perawatan restoratif
Model Summary
Sum of
Model Squares df Mean Square F Sig.
1 Regress ion 13753,581 4 3438,395 27, 624 ,000a
Res idual 5601,299 45 124,473
Tot al 19354,880 49
a. Predic tors : (Const ant ), Skor dukungan s osial, Sk or depresi, U mur , Sk or demensia
b. Dependent Variable: Sk or k apasit as f ungsional lansia sebelum perawatan
restoratif
Coeffici entsa
Standardi
zed
Uns tandardized Coef f icien
Coef f icients ts
Model B Std. Error Beta t Sig.
1 (Constant) -36,906 17, 569 -2,101 ,041
Umur 1, 010 ,212 ,403 4, 774 ,000
Skor depresi 1, 095 ,183 ,526 5, 985 ,000
Skor demensia -, 495 ,211 -, 212 -2,350 ,023
Skor dukungan sos ial -3,33E-02 ,260 -, 010 -, 128 ,899
a. Dependent Variable: Sk or kapas itas f ungsional lans ia sebelum perawatan restoratif
Output SPSS (uji model kedua)
Model Summary
Coeffici entsa
Standardi
zed
Uns tandardized Coef f icien
Coef f icients ts
Model B Std. Error Beta t Sig.
1 (Constant) -37,844 15, 800 -2,395 ,021
Umur 1, 012 ,208 ,404 4, 861 ,000
Skor depresi 1, 095 ,181 ,526 6, 052 ,000
Skor demensia -, 492 ,207 -, 210 -2,380 ,022
a. Dependent Variable: Sk or kapas itas f ungsional lans ia sebelum perawatan
restoratif
a
Coeffici ent Correlations
Skor
Model demens ia Umur Skor depresi
1 Correlat ions Skor demensia 1, 000 ,214 ,356
Umur ,214 1, 000 -, 121
Skor depresi ,356 -, 121 1, 000
Cov ariances Skor demensia 4, 272E-02 9, 225E-03 1, 331E-02
Umur 9, 225E-03 4, 339E-02 -4,555E-03
Skor depresi 1, 331E-02 -4,56E-03 3, 275E-02
a. Dependent Variable: Sk or kapas itas f ungsional lansia sebelum perawatan
restoratif
Penyelesaian Masalah
Multikolinieritas
• Menggabungkan data crosssection dan time series
• Mengeluarkan satu atau lebih variabel independen yang
mempunyai korelasi tinggi dari model regresi dan
indentifikasikan variabel independen lainnya untuk membantu
prediksi
• Menggunakan model dengan variabel independen yang
mempunyai korelasi tinggi hanya semata-mata untuk prediksi,
dan tidak menginterpretasikan koefisien regresinya
Uji Asumsi Heteroskedastisitas
Kapasitas fungsional lansia =
-37,844 + 1,012 umur + 1,095 depresi – 0,492 demensia
Scatterplot
Dependent Variable: Skor kapasitas fungsional la
3
Perempuan
Regression Studentized Residual
Perempuan
2 Perempuan
• Bila ada pola tertentu, misal titik- Laki-laki
Perempuan
Perempuan
Perempuan
Laki-laki
titik yang ada membentuk pola 1
Laki-laki Perempuan
Perempuan
Perempuan
Perempuan
Perempuan Perempuan
Perempuan
Laki-laki
Laki-laki Laki-laki
yang teratur (bergelombang, Perempuan
Perempuan
Laki-laki Laki-laki
Perempuan
Perempuan
PerempuanPerempuan
Perempuan
Laki-laki
Laki-laki
Perempuan
0 Laki-laki Laki-laki Perempuan
Laki-laki Perempuan
melebar kemudian menyempit), Perempuan Perempuan Laki-laki
Laki-laki
maka telah terjadi -1 Laki-laki Perempuan
heteroskedastisitas Perempuan
Perempuan
Perempuan Perempuan
• Kesimpulan : Pola tidak jelas & -2 Perempuan
Laki-laki
menyebar di atas dan di bawah -3
angka 0 pada sumbu Y → -2 -1 0 1 2
TIDAK TERJADI
Regression Standardized Predicted Value
HETEROSKEDASTISITAS
(HOMOSKEDASTISITAS)
Penyajian & Interpretasi Hasil
Persamaan P
Variabel r r2
garis value
Kapasitas
fungsional lansia =
Depresi 0,696 -37,844 + 1,012 0,000
0,710
umur + 1,095
depresi – 0,492
demensia