c




  dalam statistika adalah salah satu metode untuk menentukan
hubungan sebab-akibat antara satu variabel dengan variabel(-variabel) yang lain.
Variabel "penyebab" disebut dengan bermacam -macam istilah: variabel penjelas
variabel eksplanatorik variabel independen  atau secara bebas variabel X (karena
seringkali digambarkan dalam grafik sebagai absis atau sumbu X). Variabel terkena
akibat dikenal sebagai variabel yang dipengaruhi  variabel dependen variabel
terikat atau variabel Y. Kedua variabel ini dapat merupakan variabel acak (random)
namun variabel yang dipengaruhi harus selalu variabel acak.

Analisa regresi merupakan salah satu teknik statistik yang digunakan secara
luas dalam ilmu pengetahuan terapan. Regresi di samping digunakan untuk
mengetahui bentuk hubungan antar peubah regresi juga dapat dipergunakan untuk
maksud-maksud peramalan.

Dengan menggunakan n pengamatan untuk suatu model linier sederhana:

Y i = b + b X +e 0 1
dengan Yi adalah peubah tidak bebas
Xi adalah peubah bebas dengan i = 1 ...n
0 b dan 1 b adalah parameter -parameter yang tidak diketahui
diberlakukan asumsi-asumsi model ideal tertentu terhadap galat e yaitu bahwa g alat
menyebar NID (0,s2). Dengan pemenuhan terhadap asumsi kenormalan dapat
digunakan regresi parametrik untuk mengetahui bentuk hubungan antar peubah
regresi pada data contoh yang diamati.

Dalam praktek penyimpangan terhadap asumsi-asumsi itu sering terjadi dan

terkadang peubah acak yang diamati tidak dapat dianggap menyebar normal. Dari
segi statistika persoalan tersebut harus dapat diselesaikan dengan menggunakan
teknik statistika. Dalam statistika parametrik teknik-teknik yang digunakan
berhubungan dengan pendugaan parameter serta pengujian hipotesis yang
berhubungan dengan parameter -parameternya.

Asumsi-asumsi yang digunakan pada umumnya menspesifikasikan bentuk

sebarannya.


£ 

Persamaan regresi merupakan persamaan matematis yang memungkinkan kita

meramalkan nilai-nilai peubah gayut (Y) dari nilai peubah tak gayut (X). Istilah ini
berasal dari telaah kebakaan yang dilakukan oleh £     
yang membandingkan tinggi badan anak laki -laki dengan tinggi badan ayahny a.
Galton menunjukkan bahwa tinggi anak laki -laki dari ayah yang tinggi setelah
beberapa generasi cenderung mundur (regressed) mendekati nilai populasi. Dengan
kata lain anak laki -laki dari ayah yang badannya sangat tinggi cenderung lebih
pendak dari ayahnya. Sedangkan anak laki-laki dari ayah yang badannya sangat
pendak cenderung lebih tinggi dari ayahnya. Sekarang istilah regresi diterapkan
pada semua jenis peramaaln. 

c
  

Untuk mengukur besarnya pengaruh variabel bebas terhadap variabel
tergantung dan memprediksi variabel tergantung dengan menggunakan variabel
bebas. Gujarati ( 006) mendefinisikan analisis regresi sebagai kajian terhadap
hubungan satu variabel yang disebut sebagai variabel yang diterangkan (the
explained variabel) dengan satu ata u dua variabel yang menerangkan (the
explanatory). Variabel pertama disebut juga sebagai variabel tergantung dan
variabel kedua disebut juga sebagai variabel bebas. Jika variabel bebas lebih dari
satu maka analisis regresi disebut regresi linear berganda. Disebut berganda
karena pengaruh beberapa variabel bebas akan dikenakan kepada variabel
tergantung.

c

  £ 
j Dua variabel numerik   ingin diketahui hubungannya
j Dua variabel numerik   salah satu variabel dianggap sebagai variabel yang
mempengaruhi variabel lainnya
j Variabel yang mempengaruhi   X variabel bebas variabel penjelas (Variabel
tak gayut)
j Variabel yang dipengaruhi   Y variabel tak bebas variabel respon (Variabel
gayut)
!


ujuan menggunakan analisis regresi ialah

Membuat estimasi rata-rata dan nilai variabel tergantung dengan

didasarkan pada nilai variabel bebas.

Menguji hipotesis karakteristik dependensi

Untuk meramalkan nilai rata-rata variabel bebas dengan didasarkan pada

nilai variabel bebas diluar jangkaun sample.

£"£ 

Penggunaan regresi linear sederhana didasarkan pada asumsi diantaranya sbb:

Model regresi harus linier dalam parameter

Variabel bebas tidak berkorelasi dengan disturbance term (Error) .

Nilai disturbance term sebesar 0 atau dengan simbol sebagai berikut: (E

(U / X) = 0

Varian untuk masing-masing error term (kesalahan) konstan

idak terjadi otokorelasi

Model regresi dispesifikasi secara benar. idak terdapat bias spesifikasi

dalam model yang digunakan dalam analisis empiris.

Jika variabel bebas lebih dari satu maka antara variabel bebas
(explanatory) tidak ada hubungan linier yang nyata


c £ 
c


"#   £ 

Model kelayakan regresi linear didasarkan pada hal -hal sebagai berikut:

a. Model regresi dikatakan layak jika angka signifikansi pada ANOVA

sebesar < 0.05

b. Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan

ini diketahui jika angka Standard Error of Estimate < Standard Deviation

c. Koefesien regresi harus sign ifikan. Pengujian dilakukan dengan Uji .

Koefesien regresi signifikan jika  hitung >  table (nilai kritis)

d. idak 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.

e. idak terjadi otokorelasi. erjadi otokorelasi jika angka Durbin dan

Watson (DB) sebesar < 1 dan > 3

f. Keselerasan model regresi dapat diterangkan dengan menggunakan nilai

r semakin besar nilai tersebut maka model semakin baik. Jika nilai
mendekati 1 maka model regresi semakin baik. Nilai r mempunyai
karakteristik diantaranya: 1) selalu positif ) Nilai r maksimal sebesar 1.
Jika Nilai r sebesar 1 akan mempunyai arti kesesuaian yang sempurna.
Maksudnya seluruh variasi dalam variabel Y dapat diterangkan oleh
model regresi. Sebaliknya jika r sama dengan 0 maka tidak ada
hubungan linier antara X dan Y.

g. erdapat hubungan linier antara variabel bebas ( X) dan variabel

tergantung (Y)

h. Data harus berdistribusi normal

i. Data berskala interval atau rasio

j. Kedua variabel bersifat dependen artinya s atu variabel merupakan

variabel bebas (disebut juga sebagai variabel predictor) sedang variabel
lainnya variabel tergantung (disebut juga sebagai variabel response)

 £
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.

!  c# £ £

Pengujian hipotesis dapat didasar kan dengan menggunakan dua hal yaitu: tingkat
signifikansi atau probabilitas ( Į) dan tingkat kepercayaan atau confidence interval.
Didasarkan tingkat signifikansi pada umumnya orang menggunakan 005. Kisaran
tingkat signifikansi mulai dari 001 sampai den gan 01. Yang dimaksud dengan
tingkat signifikansi adalah probabilitas melakukan kesalahan tipe I yaitu kesalahan
menolak hipotesis ketika hipotesis tersebut benar. ingkat kepercayaan pada
umumnya ialah sebesar 95% yang dimaksud dengan tingkat kepercaya an ialah
tingkat dimana sebesar 95% nilai sample akan mewakili nilai populasi dimana
sample berasal. Dalam melakukan uji hipotesis terdapat dua hipotesis yaitu:

j H0 (hipotessis nol) dan H1 (hipotesis alternatif)

Contoh uji hipotesis misalnya rata -rata produktivitas pegawai sama dengan 10 (ȝ x=
10) maka bunyi hipotesisnya ialah:

j H0: Rata-rata produktivitas pegawai sama dengan 10

j H1: Rata-rata produktivitas pegawai tidak sama dengan 10

Hipotesis statistiknya:

j H0: ȝ x= 10
j H1: ȝ x > 10 Untuk uji satu sisi (one tailed) atau
j H1: ȝ x < 10
j H1: ȝ x  10 Untuk uji dua sisi (two tailed)

Beberapa hal yang harus diperhatikan dalam uji hipotesis ialah;

j Untuk pengujian hipotesis kita menggunakan data sample.

j 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; sebalikn ya jika nila t semakin kecil atau mendekati
0 kita akan cenderung menerima H0.

ëë  £ ë"#  
$ ë

Model dikatakan baik menurut Gujarati ( 006) jika memenuhi beberapa kriteria
seperti di bawah ini:

j Parsimoni: Suatu model tidak akan pernah dapat secara sempurna

menangkap realitas; akibatnya kita akan melakukan sedikit abstraksi ataupun
penyederhanaan dalam pembuatan model.
j Mempunyai Identifikasi inggi: Artinya dengan data yang ada parameter -
parameter yang diestimasi harus mempunyai nilai -nilai yang unik atau dengan
kata lain hanya akan ada satu parameter saja.
j Keselarasan (Goodness of Fit): ujuan analisis regresi ialah menerangkan
sebanyak mungkin variasi dalam variabel tergantung dengan menggunakan
variabel bebas dalam model. Oleh karena itu  suatu model dikatakan baik jika
eksplanasi diukur dengan menggunakan nilai adjusted r yang setinggi
mungkin.
j Konsitensi Dalam eori: Model sebaiknya segaris dengan teori. Pengukuran
tanpa teori akan dapat menyesatkan hasilnya.
j Kekuatan Prediksi: Validit as suatu model berbanding lurus dengan
kemampuan prediksi model tersebut. Oleh karena itu pilihlah suatu model
yang prediksi teoritisnya berasal dari pengalaman empiris.
 ë

?

Analisis regresi berbeda dengan analisis korelasi. Jika analisis korelasi

digunakan untuk melihat hubungan dua variable; maka 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.

Persamaan regresi merupakan persamaan matematis yang memungkinkan kita

meramalkan nilai-nilai peubah gayut (Y) dari nilai peubah tak gayut (X). Istilah ini
berasal dari telaah kebakaan yang dilakukan oleh £  %


 Ê
 
ë
?

j ConoverW.J. 1980. cractical Nonparametric Statistics (2-nd edn) John Wiley

and Sons New York.
j Yitnosumarto S. 1985. Vegresi dan Korelasi Teori dan cenggunaannya
Universitas Brawijaya  Malang.
j A.S. Fotheringham C. Brunsdon and M. Charlton. ( 00 ) Geographically
weighted regression: the analysis of spatially varying relationships. Wiley.
j Birkes David and Yadolah Dodge lternative Methods of Vegre ssion.
j Montgomery D.C dan Peck E.A. 1991. Œntroduction to Linear Vegression
nalysis John Wiley & Sons New York.