BAB I

PENDAHULUAN

1.1 Latar Belakang

Regresi diperkenalkan oleh Francis Galton. Analisis regresi merupakan analisis yang
memanfaatkan dua atau lebih variabel sehingga salah satu variabel bisa diramalkan dari
variabel lainnya. Pada analisis regresi terdiri dua jenis variabel yaitu variabel bebas
(variabel independen) dan variabel tak bebas (variabel dependen) . Variabel bebas (variabel
independen) adalah variabel yang mempengaruhi atau yang menjadi sebab perubahan atau
timbulnya variabel tak bebas, sedangkan variabel tak bebas (variabel dependen) adalah
variabel yang dipengaruhi atau yang menjadi akibat karena adanya variabel bebas. dengan
maksud menaksir atau meramalkan nilai rata-rata hitung (mean) atau rata- rata (populasi)
variabel tak bebas, dipandang dari segi yang diketahui atau tetap (constant). Untuk
menghubungkan variabel dependen dan independen dapat digunakan model regresi
berbentuk univariat maupun multivariat. Model regresi univariat adalah model regresi yang
terdiri dari satu variabel tak bebas dan satu atau lebih variabel bebas. Sedangkan model
regresi multivariat adalah model regresi dengan lebih dari satu variabel tak bebas yang
saling berkorelasi dan satu atau lebih variabel bebas

1.2 Rumusan Masalah

1. Bagaimana persyaratan data yang digunakan pada analisis regresi ?
2. Bagaimana langkah-langkah mencari analisis regresi pada SPSS ?
3. Bagaimana cara melakukan perhitungan regresi ?
4. Bagaimana cara pengambilan keputusan pada analisis regresi ?
5. Bagaimana cara menganalisis hasil data (output) analisis regresi pada SPSS ?

1.3 Tujuan
1. Mengetahui syarat-syarat data yang digunakan pada analisis regresi
2. Mengetahui langkah- langkah mencari analisis regresi pada SPSS
3. Mengetahui cara melakukan perhitungan analisis regresi
4. Mengetahui cara pengambilan keputusan pada analisis regresi
5. Mengetahui cara menganalisis hasil data (output) dari analisis regresi pada SPSS

1
 BAB II
PEMBAHASAN

2.1 Pengertian Analisis Regresi

Analisis regresi adalah analisis yang bertujuan untuk mengetahui apakah ada
pengaruh suatu variabel terhadap variabel yang lain. Tujuan utama dalam
penggunaan analisis ini adalah untuk meramalkan atau menduga nilai dari satu
variabel dalam hubungannya dengan variabel yang lain yang diketahui melalui
persamaan garis regresinya. Adakalanya, setelah kita memperoleh data berdasarkan
sampel, kita ingin menduga nilai dari suatu variabel Y yang bersesuaian dengan nilai
tertentu dari variabel X. Hal ini diperoleh dengan menaksir nilai Y dari kurva kuadrat
minimum yang sesuai dengan data yang kita himpun dari sampel. Kurva yang
diperoleh dan kita bentuk dari data sampel itu disebut kurva regresi Y terhadap X,
karena Y diduga dari X. Dalam hal ini, lazimnya digunakan persamaan regresi linier
sederhana sampel sebagai penduga persamaan regresi linier sederhana populasi
dengan bentuk persamaan seperti berikut : y = a + bX. Dan karena antara Y dan X
memiliki hubungan, maka nilai X dapat digunakan untuk menduga atau meramal nilai
Y. X dinamakan variabel bebas karena variabel ini nilai-nilainya tidak bergantung
pada variabel lain. Dan Y disebut variabel terikat juga karena variabel yang nilai-
nilainya bergantung pada variabel lain. Hubungan antar variabel yang akan dipelajari
disini hanyalah hubungan linier sederhana, yakni hubungan yang hanya melibatkan
dua variabel (X dan Y) dan berpangkat satu. Berkaitan dengan analisis regresi ini,
setidaknya ada empat kegiatan yang lazim dilaksanakan yakni : (1) mengadakan
estimasi terhadap parameter berdasarkan data empiris, (2) menguji berapa besar
variasi variabel dependen dapat diterangkan oleh variasi independen, (3) menguji
apakah estimasi parameter tersebut signifikan atau tidak, dan (4) melihat apakah tanda
magnitude dari estimasi parameter cocok dengan teori .
2.2 Tujuan Penggunaan Analisis Regresi
Ada beberapa tujuan penggunaan analisis regresi, antara lain:
1. Regresi mampu mendeskripsikan fenomena data melalui terbentuknya suatu model
hubungan yang bersifat numerik. Regresi juga dapat digunakan untuk melakukan
pengendalian (kontrol) terhadap suatu kasus atau hal-hal yang sedang diamati melalui

2
 penggunaan model regresi yang diperoleh. Selain itu, model regresi juga dapat
dimanfaatkan untuk melakukan prediksi variabel terikat.
2. Analisis regresi merupakan salah satu teknik analisis statistika yang paling banyak
digunakan. Analisis regresi baik yang linear maupun yang nonlinear. Pada kejadian
sehari-hari terdapat hubungan sebab akibat yang muncul, baik yang terjadi pada
bidang sains, sosial, industri maupun bisnis. Kejadian-kejadian tersebut dapat
dimodelkan dalam bentuk fungsi regresi. Secara umum, analisis regresi berkenaan
dengan studi ketergantungan suatu variabel dependen (tak bebas) pada satu atau lebih
variabel independen (bebas), dengan maksud ketergantungan model itu dapat
dipergunakan sebagai alat prediksi kejadian untuk waktu yang akan datang.
3. Salah satu tujuan dalam analisis regresi adalah mengestimasi koefisien regresi dalam
model regresi. Model regresi merupakan suatu cara formal untuk mengekspresikan
dua unsur penting suatu hubungan statistik, yaitu kecenderungan berubahnya variabel
tak bebas secara sistematis sejalan dengan berubahnya variabel bebas dan
berpencarnya titik-titik di sekitar kurva taksiran model itu. Metode yang biasa
digunakan untuk mengestimasi koefisien regresi yaitu metode kuadrat terkecil.

2.3 Persyaratan Penggunaan Model Regresi

Model kelayakan  regresi linear didasarkan pada hal-hal sebagai berikut:
 Model regresi dikatakan layak  jika angka signifikansi pada ANOVA sebesar < 0.05
 Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini
diketahui jika angka Standard Error of Estimate < Standard Deviation
 Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien
regresi signifikan jika T hitung > T table (nilai kritis)
 Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi yang sangat
tinggi atau sangat rendah antar variabel bebas. Syarat ini hanya berlaku untuk regresi
linier berganda dengan variabel bebas lebih dari satu.
 Tidak terjadi otokorelasi. Terjadi otokorelasi jika angka Durbin dan Watson (DB)
sebesar < 1 dan > 3
 Keselerasan model regresi dapat diterangkan dengan menggunakan nilai r 2 semakin
besar nilai tersebut maka model semakin baik. Jika nilai mendekati 1 maka model
regresi semakin baik. Nilai r2 mempunyai karakteristik diantaranya: 1) selalu positif,
2) Nilai r2 maksimal sebesar 1. Jika Nilai r2 sebesar 1 akan mempunyai arti
kesesuaian yang sempurna. Maksudnya seluruh variasi dalam variabel Y dapat

3
 diterangkan oleh model regresi. Sebaliknya jika r2 sama dengan 0, maka tidak ada
hubungan linier antara X
dan Y.
   Terdapat hubungan linier antara variabel bebas (X) dan variabel tergantung (Y)
 Data harus berdistribusi normal
 Data berskala interval atau rasio
 Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas
(disebut juga sebagai variabel predictor) sedang variabel lainnya variabel tergantung
(disebut juga sebagai variabel response)

2.4 Uji Hipotesis dan Pengambilan Keputusan pada Analisis Regresi

Pengujian hipotesis dapat didasarkan dengan menggunakan dua hal, yaitu:
tingkat signifikansi atau probabilitas (α) dan tingkat kepercayaan atau confidence
interval. Didasarkan tingkat signifikansi pada umumnya orang menggunakan 0,05.
Kisaran tingkat signifikansi mulai dari 0,01 sampai dengan 0,1. Yang dimaksud
dengan tingkat signifikansi adalah probabilitas melakukan kesalahan tipe I, yaitu
kesalahan menolak hipotesis ketika hipotesis tersebut benar. Tingkat kepercayaan
pada umumnya ialah sebesar 95%, yang dimaksud dengan tingkat kepercayaan ialah
tingkat dimana sebesar 95% nilai sample akan mewakili nilai populasi dimana sample
berasal. Dalam melakukan uji hipotesis terdapat dua hipotesis, yaitu:
 H0 (hipotessis nol)  dan H1 (hipotesis alternatif)
Beberapa hal yang harus diperhatikan dalam uji hipotesis ialah;
 Untuk pengujian hipotesis kita menggunakan data sample.
 Dalam pengujian akan menghasilkan dua kemungkinan, yaitu pengujian
signifikan secara statistik jika kita menolak H0 dan pengujian tidak signifikan secara
statistik jika kita menerima H0.
 Jika kita menggunakan nilai t, maka jika nilai t yang semakin besar atau
menjauhi 0, kita akan cenderung menolak H0; sebaliknya jika nila t semakin kecil atau
mendekati 0  kita akan cenderung menerima H0.

2.5 Analisis Regresi pada SPSS

Pada analisis regresi sederhana dengan menggunakan SPSS ada beberapa
asumsi dan persyaratan yang perlu diperiksa dan diuji, beberapa diantaranya adalah :

4
Variabel bebas tidak berkorelasi dengan disturbance term (Error). Nilai disturbance
term sebesar 0 atau dengan simbol  sebagai berikut: (E (U / X) = 0, Jika variabel
bebas lebih dari satu, maka antara variabel bebas (explanatory) tidak ada hubungan
linier yang nyata,

Model regresi dikatakan layak  jika angka signifikansi pada ANOVA sebesar < 0.05,
Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini diketahui
jika angka Standard Error of Estimate < Standard Deviation, Koefisien regresi harus
signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi signifikan jika T
hitung > T table (nilai kritis), Model regresi dapat diterangkan dengan menggunakan
nilai koefisiena determinasi (KD = r2 x 100%) semakin besar nilai tersebut maka
model semakin baik. Jika nilai mendekati 1 maka model regresi semakin baik, Data
harus berdistribusi normal, Data berskala interval atau rasio, Kedua variabel bersifat
dependen, artinya satu variabel merupakan variabel bebas (variabel predictor) sedang
variabel lainnya variabel terikat (variabel response).

Contoh Cara Kerja Analisis Regresi pada SPSS

Tabel Data Analisis Regresi

Langkah-Langkah :
 Membuat data seperti diatas atau jika sudah ada buka lagi file SPSS yang memuat
data ini.

 Dari menu SPSS, pilih menu utama Analyze, lalu submenu Regression, kemudian
pilih Linear.

5
 Akan muncul kotak dialog Linier Regression. Untuk pengisian, sebagai berikut:
Untuk pilihan Dependent (variabel terikat). Pilih variabel Participation. Untuk
Independent(s) pilih Citizenship dan Democracy Method, pilih Enter. Abaikan
bagian lain Tekan OK untuk prosessing data maka outputnya diperoleh sebagai
berikut

Output dan Hasil Analisisnya

Bagian ini menggambarkan derajat keeratan hubungan antarvariabel.

 Angka R sebesar 0.982(a) menunjukkan bahwa korelasi/hubungan antara
Participation dengan kedua variabel independen-nya adalah kuat (karena
besarnya > 0,5).
 Angka R Square atau Koefisien Determinasi adalah 0.963 (berasal dari 0,982 x
0,982). Ini artinya bahwa 0,963 atau 96,3% variasi dari Participation dapat
dijelaskan oleh variasi dari kedua variabel independen, yaitu Democracy dan
Citizenship. Sedangkan sisanya (100-96,3 = 0,7) atau 7% dijelaskan oleh

6
 sebab-sebab yang lain. Untuk variabel independen lebih dari dua sebaiknya
gunakan Adjusted R Square yang pada latihan kita nilainya 0,927.
 Std. Error of the Estimate yang nilainya 0.85442 menggambarkan tingkat
ketepatan
prediksi regresi, dimana semakin kecil angkanya maka semakin baik
prediksinya.

Bagian ini menggambarkan tingkat signifikansi. Dari uji ANOVA atau F-test, didapat
Fhitung 26.396 dengan tingkat signifikansi sebesar 0,037. Karena probabilitas
(tingkat
signifikansi) ini lebih kecil daripada 0,05 maka model regresi ini bisa dipakai untuk
memprediksi tingkat partisipasi politik seseorang. Dengan kata lain, tingkat
pengetahuan
kewarganegaraan seseorang dan tingkat perilaku demokratisnya secara bersama-sama
berpengaruh terhadap tingkat partisipasi politiknya.

Sedangkan bagian ini menggambarkan seberapa besar koefisien regresinya.

 Persamaan regresi yang diperoleh adalah sebagai berikut:
Participation = -2.300 + 0,411 Citizenship + 0,768 Democracy
 Konstanta sebesar -2,30 menyatakan bahwa jika seseorang tidak memiliki
pengetahuan kewarganegaraan dan perilaku demokratis maka partisipasi
politiknya –
2,30. Secara kualitatif tentu tidak ada perilaku “minus”, mungkin dapat
diintepretasikan dalam konteks budaya politik gal itu adalah budaya “apatis”.
Jangan
7
 lupa juga, bahwa secara nyata ketiga variabel itu berskala ordinal, tidak
memiliki
angka “nol” seperti dalam batasan skala interval.
 Koefisien regresi 0,411 menunjukkan bahwa setiap pengetahuan
kewarganegaraan
seseorang bertambah +1 poin, maka partisipasi politiknya akan bertambah
0,411 poin
 Koefisien regresi 0,768 menunjukkan bahwa setiap tingkat perilaku
demokratis
seseorang bertambah +1 poin, maka partisipasi politiknya akan bertambah juga
sebesar 0,768 poin
 Sedangkan uji-t digunakan untuk menguji signifikansi konstanta dan setiap
variabel
Independen

Hipotesis yang dibangun adalah sebagai berikut:

 Ho = Koefisien Regresi Tidak Signifikan
 Hi = Koefisien Regresi Signifikan
Pengambilan keputusan (berdasarkan probabilitas, lihat kolom Sig.) adalah sebagai
berikut:
 Jika Sig. > 0,05 maka Ho diterima
 Jika Sig. < 0,05 maka Ho ditolak , Hi diterima
Terlihat bahwa pada kolom Sig. untuk ketiga variabel tersebut, yaitu konstanta =
0,453, Citizenship = 0,57 dan Democracy = 0,361 mempunyai angka signifikansi >
0,05, dengan demikian Ho diterima atau dengan kata lain kedua variabel tersebut
tidak cukup signifikan mempengaruhi tingkat partisipasi politik seseorang.

2.6 Analisis Regresi Linier Berganda pada SPSS

Data analisis regresi linier berganda

8
Langkah-Langkah :
 Masukkan semua input data dalam pembentukan model regresi linier
berganda. Selanjutnya klik menu analyze, kemudian klik regression. Setelah
itu pilih linier
seperti tampilan berikut ini :

 Selanjutnya masukkan variabel bebas (pendapatan, pinjaman, dan dana hibah)

pada kolom independent(s) dan variabel terikat (konsumsi ITSI) pada kolom
dependent.

 Pilih enter pada kolom Method. Metode Enter adalah suatu metode dalam
pembentukan taksiran model regresi dimana semua variabel bebas dilibatkan
dalam pembentukan persamaan regresinya (nantinya peneliti menentukan
9
 sendiri variabel mana yang akan diambil sesuai uji signifikansi). Apabila
diinginkan suatu taksiran model regresi linier berganda dimana variabel bebas
yang terlibat dalam model merupakan variabel yang signifikan dan layak
secara statistik untuk dimasukkan dalam model regresi linier berganda, maka
pilih metode stepwise, metode remove, metode backward, dan metode
forward. Keempat metode ini digunakan untuk menyeleksi semua variabel
bebas yang dilibatkan sehingga pada akhirnya hanya variabel bebas yang
menghasilkan taksiran yang signifikan saja yang akan dimasukkan dalam
model taksiran regresi linier berganda.
 Berikutnya klik kotak statistics, dan pilih estimates, confidence intervals, dan
covariance matrix dalam kolom regression coefficient dan model fit.
Selanjutnya klik continue.

 Akhiri dengan meng-klik OK

Hasil Output :

dari tabel di atas diperoleh informasi bahwa taksiran nilai parameter dari regresi linier
berganda dengan hubungan X mempengaruhi Y adalah :
b0 = 10,885
b1 = 0,576
b2 = 3,260
b3 = -0,015

10
sehingga model taksiran regresi linier berganda adalah : Ŷ=10,885+0,576X+3,260X–
0,015 X
Maka selanjutnya pengujian parameter β (nilai parameter konstanta regresi linier
berganda) adalah :
Langkah 1.
H0 : β0 = 0
H1 : β0 ≠ 0
Langkah 2.
Bandingkan nilaisignifikansi(0,629)dengan nilaiα = 5%. Nilai signifikansi(0,629) > α
(0,05); maka H diterima, artinya nilai koefisien β0 untukα=5% tidak mempengaruhi
nilai taksiran dari Y dalam menganalisis regresi linier berganda. Sedangkan untuk
pengujian parameter β1 (nilai parameter X dari regresi linier berganda) adalah :
Langkah 1.
H0 : β1 = 0
H1 : β1 ≠ 0
Langkah 2.
Bandingkan nilai signifikansi (0,061) dengan nilai α = 5%.Nilai signifikansi (0,061) >
α (0,05); makaH diterima,artinya nilai koefisien β 1 untukα=5% tidak mempengaruhi
nilai taksiran dari Y dalam menganalisis regresi linier berganda.
Untukpengujian parameter β2 (nilai parameter X dari regresi linier berganda) adalah:
Langkah 1.
H0 : β2 = 0
H1 : β2 ≠ 0
Langkah 2.
Bandingkan nilai signifikansi (0,231)dengan nilaiα = 5%.Nilai signifikansi (0,231) >
α(0,05); maka H diterima, artinya nilai koefisien β2 untuk α= 5% tidak mempengaruhi
nilai taksiran dari Y dalam menganalisis regresi linier berganda. Hal ini menunjukkan
bahwa nilai parameter pinjaman tidak mempengaruhi konsumsi ITSI. Selanjutnya
pengujian parameter β3 (nilai parameter X dari regresi Linier berganda) adalah :
Langkah 1.
H0 : β3 = 0
H1 : β3 ≠ 0
Langkah 2.

11
Bandingkan nilai signifikansi (0,995) dengan nilaiα = 5%.Nilai signifikansi (0,995)>α
(0,05); maka H diterima, artinya nilai koefisien β3 untukα=5% tidak mempengaruhi
nilai taksiran dari Y dalam menganalisis regresi linier berganda. Hal ini menunjukkan
bahwa nilai parameter dana hibah tidak mempengaruhi konsumsi ITSI. Cara lain
untuk menguji kelinieran persamaan regresi linier berganda adalah dengan menguji
signifikansi dari kelinieran model regresi yang terbentuk (permasalahan b) melalui
tabel ANOVA (analysis of variance). Perhatikan output SPSS berikut:

denganmenggunakanα=5%,makalangkah-langkah dari pengujian signifikansi model

regresi linier berganda adalah:
Langkah 1.
H0 : Y tidak memiliki hubungan linier dengan X1 , X2 , dan X3
H1 : Y tidak memliki hubungan linier dengan X1 , X2 , dan X3
Langkah 2.
Bandingkan nilai signifikansi (0,051)dengan nilai α = 5%.Nilai signifikansi
(0,051)>α(0,05); maka H diterima,artinya untuk α=5% tidak memiliki hubungan linier
dengan X1 , X2 , dan X3

Untuk mengetahui seberapa besar kualitas model regresi linier berganda yang
terbentuk,
perhatikan nilai koefisien determinasi (R square) = 60%. Nilai tersebut menunjukkan
informasi bahwa 60% nilai dari besarnya konsumsi ITSI telah dapat dijelaskan oleh
data
tingkat pendapatan, pinjaman, dan dana hibah. Sedangkan sisanya 40% informasi
mengenai besarnya konsumsi ITSI belum dapat dijelaskan oleh variabel-variabel
bebas
tersebut.

12
Sedangkan untuk melihat ada atau tidaknya multikolinearitas yang terjadi antar
variabel bebas pembentuk model persamaan regresi linier berganda, perhatikan output

dari tabel di atas dapat diketahui bahwa antar variabel bebas (pendapatan, pinjaman,
dan
dana hibah) tidak terjadi multikolineariti. Hal ini dapat dilihat dari nilai korelasi antar
variabel beas tersebut rendah. (apabila nilai korelasi antar variabel bebas terdapat nilai
korelasi yang tinggi berarti terjadi multikolinearitas antar variabel bebas yang
berkorelasi tinggi tersebut)

13
 BAB III
PENUTUP
3.1 Kesimpulan
Analisis regresi digunakan untuk melihat pengaruh variable bebas terhadap
variable tergantung serta memprediksi nilai variable tergantung dengan menggunakan
variable bebas. Dalam analisis regresi variable bebas berfungsi untuk menerangkan
(explanatory) sedang variable tergantung berfungsi sebagai yang diterangkan (the
explained).Dalam analisis regresi data harus berskala interval atau rasio.Hubungan
dua variable bersifat dependensi.Untuk menggunakan analisis regresi diperlukan
beberapa persyaratan yang harus dipenuhi.
Ada dua macam linieritas dalam analisis regresi, yaitu linieritas dalam variabel dan
linieritas dalam parameter.Yang pertama, linier dalam variabel merupakan nilai rata-
rata kondisional variabel tergantung yang merupakan fungsi linier dari variabel
(variabel) bebas. Sedang yang kedua, linier dalam parameter merupakan fungsi linier
parameter dan dapat tidak linier dalam variabel.
Pengambilan keputusan dalam uji regresi dapat mengacu pada dua hal, yakni dengan
membandingkan nilai t hitung dengan t tabel, atau dengan membandingkan nilai
signifikansi dengan nilai probabilitas.

3.2 Kritik dan Saran

Dalam penulisan makalah ini, penyusun menyadari bahwa penyusunan
makalah ini tidak luput dari kesalahan dan kekurangan. Oleh karena itu, kritik dan
saran yang membangun akan senantiasa penyusun nanti dalam upaya evaluasi diri.
Akhirnya penyusun hanya bisa berharap, bahwa dibalik ketidaksempurnaan penulisan
dan penyusunan makalah ini adalah ditemukan sesuatu yang dapat memberikan
manfaat bagi pembaca.

14
 DAFTAR PUSTAKA

Arnita. 2013. Pengantar Statistik., Bandung: Cita Pustaka Media Perintis.

Sudjana. 2001. Metode Statistika. Bandung: PT Tarsito Bandung.
Sunardi, Nur. 2009. Pengantar Statistika. Jakarta: Bumi Aksara.

http://pendidikan-akuntansi.fe.uny.ac.id/sites/pendidikan akuntansi fe. uny.ac.id/ files/

Korelasi %20dan%20Regresi.pdf (Diakses Tanggal 30 November 2015)
http://file.upi.edu/Direktori/FPIPS/LAINNYA/MEITRI_HENING/Modul/Modul_Regresi_
Berganda.pdf (Diakses Tanggal 30 November 2015)

15