Analisis Regresi

§ Regresi linier sederhana

§ Regresi linier berganda
Pengertian Regresi
• Analisis regresi merupakan studi
ketergantungan satu atau lebih
variabel bebas terhadap variabel
tidak bebas. Dengan maksud
untuk meramalkan nilai variabel
tidak bebas.
Contoh Penerapan Analisis
Regresi
1. Analisis Regresi antara tinggi orang tua terhadap tinggi anaknya (Gultom).
2. Analisis Regresi antara pendapatan terhadap konsumsi rumah tangga.
3. Analisis Regresi antara harga terhadap penjualan barang.
4. Analisis Regresi antara tingkat upah terhadap tingkat pengangguran.
5. Analisis Regresi antara tingkat suku bunga bank terhadap harga saham
6. Analisis regresi antara biaya periklanan terhadap volume penjualan
perusahaan.
Ketergantungan statistik vs. Fungsional
• Hubungan kausal (ketergantungan statistik)
• Konsumsi dengan pendapatan
• Masa kerja dengan produktifitas
• Iklan dengan penjualan
• Hubungan fungsional/Identitas
• Likuditas dengan aktiva lancar
• Produktivitas dengan hasil produksi
• Upah karyawan dengan jam kerja
Perbedaan mendasar korelasi dan
regresi ?
• Korelasi hanya • Regresi menunjukkan
menunjukkan sekedar hubungan pengaruh.
hubungan. • Dalam regresi terdapat
• Dalam korelasi istilah tergantung dan
variabel tidak ada variabel bebas.
istilah tergantung dan
variabel bebas.
Istilah dan notasi variabel dalam regresi ?
Y X
• Variabel tergantung (Dependent • Varaibel bebas (Independent
Variable) Variable)
• Variabel yang dijelaskan • Variabel yang menjelaskan
(Explained Variable) (Explanatory Variable)
• Variabel yang diramalkan • Variabel peramal (Predictor)
(Predictand) • Variabel yang meregresi
• Variabel yang diregresi (Regressor)
(Regressand) • Variabel perangsang atau kendali
• Variabel Tanggapan (Response) (Stimulus or control variable)
Persamaan Regresi
Persamaan Regresi
linier Sederhana:
Y = a + bX + 
Y = Nilai yang diramalkan
a = Konstansta
b = Koefesien regresi
X = Variabel bebas
 = Nilai Residu
Contoh Kasus:

Seorang manajer pemasaran akan meneliti apakah

terdapat pengaruh iklan terhadap penjualan pada
perusahaan-perusahaan di Kabupaten WaterGold,
untuk kepentingan penelitian tersebut diambil 8
perusahaan sejenis yang telah melakukan promosi.
Data dan analisis
Penjualan (Y) 64 61 84 70 88 92 72 77

Promosi/Iklan 20 16 34 23 27 32 18 22
(X)

Untuk analisis data diperlukan, perhitungan:

1. Persamaan regresi
2. Nilai Prediksi
3. Koefesien determinasi
4. Kesalahan baku estimasi
5. Kesalahan baku koefesien regresinya
6. Nilai F hitung
7. Nilai t hitung
8. Kesimpulan
Mencari Persamaan Regresi
Y X XY X2 Y2
64 20 1280 400 4096
61 16 976 256 3721
84 34 2856 1156 7056
70 23 1610 529 4900
88 27 2376 729 7744
92 32 2944 1024 8464
72 18 1296 324 5184
77 22 1694 484 5929
608 192 15032 4902 47094
 Persamaan Regresi

Y= 40,082 + 1,497X+e
Regresi Linier Berganda : SPSS
Input Data Variabel
Uji Regresi Berganda
Uji Regresi Berganda
Maka akan muncul tampilan
seperti dibawah ini. Selajutnya
perhatikan tampilan Linier
Regression yang
menampilkan ruang untuk
variabel Dependent dan
Independent (s).
Uji Regresi Berganda
Kilik variable Y dan masukkan ke
ruang Dependent, dan Variable X1,
X2, dan X3 ke ruang Independent
(s). Selanjutnya perhatikan tombol
Statistics dan Plots di kanan atas
untuk langkah selanjutnya.
Uji Regresi Berganda
Klik Statistics maka akan muncul
tampilan Linear Regression
Statistics seperti dibawah ini. Klik
Durbin Watson dan Colinearity
Diagnostics, selanjutnya klik
Continue.
Uji Regresi Berganda
Klik tombol Plots, maka akan
muncul tampilan Linear Regression
Plots. Klik Histogram dan Normal
Probability Plot. Selanjutnya klik
*ZPRED ke ruang X dan *SRESID
ke ruang Y. Lalu klik Continue dan
klik OK.
 Uji Asumsi Klasik : Multikolinieritas
Uji Mulktikolinieritas bertujuan untuk menguji apakah antar variable independent mempunyai
hubungan langsung (berkorelasi) sempurna. Jika iya, maka ketiga variabel independent tidak bisa
digunakan secara bersama-sama sebagai variabel independent. Jika bebas dari masalah
multikolinieritas, maka ketiga variabel independent tersebut layak untuk digunakan secara bersama-
sama dalam pengujian regresi berganda.

Model dikatakan bebas dari masalah multikolineritas apabila kolom Colinearity Statistics menujukkan
hasil Tollerance diatas 0,1 dan Nilai Variation Inflasi Factor (VIF) tidak lebih dari sepuluh. Hasil
Tollerance yang dihasilkan seluruhnya diatas 0,1 dan hasil VIF seluruhnya tidak lebih dari 10. Hal ini
berarti data penelitian bebas dari masalah multikolinieritas.
 Kekuatan Korelasi

Kekuatan Berkisar 0 s.d.1

0-0,20 : sangat lemah
0.21-0,40 : lemah
0,41-0,60 : cukup
0,61-0,80 : kuat
0,81-1,00 : sangat kuat
 Uji Asumsi Klasik : Autocorrelation
Uji autokorelasi bertujuan untuk menguji apakah ada hubungan otomatis antara variabel
dependent dengan variable independent. Hasilnya bebas dari masalah autokorelasi.
Diuji dengan model Durbin Watson, gunakan Table Durbin Watson, pada kolom K=3
(jumlah variable bebas) dan baris yang ke t=48 (jumah data).

• Perhatikan di atas, nilai Durbin Watson pada tabel summary tersebut adalah nilai
Durbin Watson hitung yang nantinya akan anda bandingkan dengan nilai Durbin
Watson (DW) Tabel, baik nilai DU (Durbin Upper) maupun nilai DL (Durbin Lower).
Durbin Watson di SPSS
Cara membaca hasil

• T: Jumlah sampel (n)

• k: Jumlah variabel
• dL: Batas Bawah Durbin Watson
• dU: Batas Atas Durbin Watson
Uji Asumsi Klasik : Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk memastikan bahwa data bersifat heterogen, secara
umum tidak memiliki sifat pergerakan data yang sama, tidak menumpuk atau tidak
membentuk pola garis tertentu. Memperhatikan hasil gambar dibawah ini, data masih
menyebar secara acak, dan dapat disimpulkan bahwa data bebas dari masalah
heteroskedastisitas.
Uji Normalitas
Uji normalitas dapat dilihat dari pergerakan data yang masih berada disekitar garis
diagonal. Artinya persamaan regresi yang dihasilkan akan bersifat BLUE (Best Linear
Unbiased Estimation).
Hasil Uji Parsial (Uji t)
Hasil uji regresi parsial, untuk melihat signifikan atau tidak yang dapat dilihat dengan dua cara.
Cara Pertama, Variabel X berpengaruh signifikan terhadap Variabel Y apabila hasil Sig < 0,05 (<5%). Hasil sig untuk
Variabel X1 adalah 0,606 atau 60,6%. Hasil sig untuk Variabel X2 adalah 0,025 atau 2,5%. Hasil sig untuk Variabel X3
adalah 0,169 atau 16,9%. Jadi hanya variabel X2 yang memiliki Sig < 0,05. Dengan demikian, berdasarkan cara yang
pertama ini, hanya variabel X2 yang berpengaruh signifikan terhadap Y.

Cara Kedua, dengan membandingkan t hitung dengan t tabel. Signifikan apabila t hitung > t tabel. Hasil pengujian
menunjukkan bahwa bahwa t hitung untuk X1 adalah -0,520. Nilai t hitung untuk X2 adalah 2,314. Nilai t hitung
untuk X3 adalah 1,400. Sedangkan nilai t tabel adalah 2,01. Hasil t tabel sebesar 2,01 dapat dilihat dari tabel
distribusi t untuk uji dua arah, pada kolom 0,05 atau (5%) dan pada baris 45 (jumlah data/responden 48 dikurangi
jumlah variabel bebas 3). Jadi hanya variabel X2 yang memiliki t hitung lebih besar dari t tabel. Dengan demikian
berdasarkan cara kedua ini, hanya variabel X2 yang berpengaruh signifikan terhadap Y.
Hasil Uji Parsial (Persamaan Regresi)
Beta pengaruh yang dihasilkan untuk Variable X1 adalah negatif, sedangkan beta pengaruh yang
dihasilkan untuk X2 dan X3 adalah beta yang positif, artinya bahwa pengaruh yang diberikan oleh X2
dan X3 terhadap Y adalah positif, yang berarti bahwa pengaruhnya searah.

Persamaan regresi yang terbentuk adalah: Y = 0,570 - 0,072 X1 + 0,330 X2 + 0,203 X3 + e. Artinya,
jika X1, X2 dan X3 adalah nol, maka Variabel Y akan Konstan sebesar 0,570. Apabila terjadi kenaikan
X1 sebesar 1, maka akan terjadi penurunan Y sebesar 0,072 dan demikian sebaliknya. Apabila terjadi
kenaikan X2 sebesar 1, maka akan terjadi kenaikan Y sebesar 0,330 dan demikian sebaliknya.
Apabila terjadi kenaikan X3 sebesar 1, maka akan terjadi kenaikan Y sebesar 0,203 dan demikian
sebaliknya.
Hasil Uji Simultan (Uji F)
Untuk melihat seberapa besar Variabel independent berpengaruh sig terhadap variabel dependent.
Cara pertama, secara bersama sama Variabel X1, X2 dan X3 berpengaruh signifikan terhadap Y,
apabila Sig < 0,05. Hasilnya pada table ANOVA menunjukkan hasil Sig 0,024, yang berarti bahwa
secara bersama-sama variabel X1, X2 dan X3 berpengaruh signifikan terhadap Y.

Cara kedua adalah secara bersama sama Variabel X1, X2 dan X3 akan berpengaruh signifikan
terhadap Y, apabila F hitung > F tabel. Hasilnya pada table ANOVA menunjukkan hasil F hitung
adalah 3,463. Sedangkan F table adalah sebesar 2,82. Hasil Ftabel 2,82 dapat dilihat pada tabel
distribusi F, pada kolom 3 (total variabel bebas atau total seluruh variabel 4 dikurangi jumlah variabel
terikat 1) pada baris ke 44 (total data 48 dikurangi jumlah variabel 4). Hal ini berarti bahwa secara
bersama sama variabel X1, X2 dan X3 berpengaruh signifikan terhadap Y.
Koefisien Determinasi
Koefisien determinasi adalah kemampuan seluruh variabel bebas dalam menjelaskan variable terikat.
Koefisien Determinasi Adjusted R Square sebesar 0,136 atau sebesar 13,6% yang berarti bahwa
kemampuan Variabel X1, X2 dan X3 dalam menjelaskan Variabel Y, adalah sebesar 13,6%. Sedang
sisa sebesar 86,4% dijelaskan oleh variabel lain diluar dari variabel penelitian ini.

R sebesar 0,437 memiliki arti bahwa korelasi bergandanya adalah sedang. Tingkat error yang
dihasilkan dalam persamaan regresi dari hasil penelitian ini adalah 0,864 atau 86,4%.
terima kasih