REGRESI LINIER

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

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 ,843a ,711 ,685 11,16
a. Predic tors : (Constant), Skor dukungan s osial, Sk or
depresi, Umur , Skor demens ia
 Output SPSS (uji model pertama)
ANOVAb

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

Adjust ed Std. Error of

Model R R Square R Square the Estimate
1 a
,843 ,710 ,692 11, 04
a. Predic tors : (Const ant), Skor demensia, Umur , Skor
depresi

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

Kapasitas fungsional lansia =

-37,844 + 1,012 umur + 1,095 depresi – 0,492
demensia
 Uji Asumsi Multikolinieritas
Kapasitas fungsional lansia =
-37,844 + 1,012 umur + 1,095 depresi – 0,492
demensia

Ada masalah multikolinieritas?

 Deteksi Multikolinieritas

• Model mempunyai koefisien determinasi tinggi namun sedikit

variabel independen yang signifikan berpengaruh terhadap
dependen melalui uji t

Misal : koefisien determinasi dari pengaruh X1, X2 dan X3

adalah sebesar 0,82. Namun secara individual hanya X1 yang
berpengaruh terhadap Y. Hal ini merupakan indikasi awal
adanya multikolinier atau hubungan yang kuat antar sesama
independen.
Pilihan Menu

Masukkan variabel umur, depresi dan demensia

 • Mempunyai nilai Variance
Inflation Factor (VIF) di
sekitar angka 1
• Mempunyai angka
TOLERANCE mendekati 1
Coeffici entsa •
Deteksi Multiko
Collinearity Statistics
Kesimpulan : TIDAK ADA
MASALAH MULTIKO

Model Toleranc e VIF

1 Umur ,910 1, 099
Skor depresi ,833 1, 201
Skor demens ia ,806 1, 240
• Koefisien korelasi antar
a. Dependent Variable: Sk or kapas itas f ungsional variabel bebas harus lemah
lans ia sebelum perawatan restoratif (di bawah 0,5)
• Kesimpulan : TIDAK ADA
MASALAH MULTIKO

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

Ada masalah heteroskedastisitas?

Pilihan Menu

• Masukkan variabel umur, depresi dan demensia

• Jenis kelamin ke Case labels
 Pilihan Menu

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

Umur 0,576 0,000

Kapasitas
fungsional lansia =
Depresi 0,696 -37,844 + 1,012 0,000
0,710
umur + 1,095
depresi – 0,492
demensia

Demensia -0,529 0,022

 Penyajian & Interpretasi Hasil

✓ Variabel umur, depresi dan demensia secara bersama-sama

berpengaruh dan dapat digunakan untuk memprediksi
kapasitas fungsional lansia.
✓ Proporsi variabilitas kapasitas fungsional lansia 71%-nya
dapat dijelaskan melalui nilai umur, depresi dan demensia
seseorang, sedangkan 29% lainnya dijelaskan oleh variabel-
variabel lain.
✓ Hasil uji statistik menunjukkan model regresi memiliki
signifikansi dalam batas kepercayaan 5% (p=0,000).