A.

Pengertian Regresi
Istilah regresi pertama kali diperkenalkan oleh Sir Francis Galton pada tahun
1886. Galton menemukan adanya tendensi bahwa orang tua yang memiliki tubuh tinggi
memiliki anak-anak yang tinggi, orang tua yang pendek memiliki anak-anak yang pendek
pula. Kendati demikian. Ia mengamati bahwa ada kecenderungan tinggi anak cenderung
bergerak menuju rata-rata tinggi populasi secara keseluruhan. Dengan kata lain,
ketinggian anak yang amat tinggi atau orang tua yang amat pendek cenderung bergerak
kearah rata-rata tinggi populasi. Inilah yang disebut hukum Golton mengenai regresi
universal. Dalam bahasa galton, ia menyebutkan sebagai regresi menuju mediokritas.
Secara umum, analisis regresi pada dasarnya adalah studi mengenai
ketergantungan satu variabel dependen (terikat) dengan satu atau lebih variabel
independent (variabel penjelas/bebas), dengan tujuan untuk mengestimasi dan/ atau
memprediksi rata-rata populasi atau niiai rata-rata variabel dependen berdasarkan nilai
variabe! independen yang diketahui. Pusat perhatian adalah pada upaya menjelaskan dan
mengevalusi hubungan antara suatu variabel dengan satu atau lebih variabel
independen. Hasil analisis regresi adalah berupa koefisien regresi untuk masing-masing
variable independent. Koefisien ini diperoleh dengan cara memprediksi nilai variable
dependen dengan suatu persamaan.

B. Analisis Regresi

Analisis regresi merupakan salah satu analisis yang bertujuan untuk mengetahui
pengaruh suatu variabel terhadap variabel lain. Dalam analisis regresi, variabel yang
mempengaruhi disebut Independent Variable (variabel bebas) dan variabel yang
dipengaruhi disebut Dependent Variable (variabel terikat). Jika dalam persamaan regresi
hanya terdapat satu variabel bebas dan satu variabel terikat, maka disebut sebagai
persamaan regresi sederhana, sedangkan jika variabel bebasnya lebih dari satu, maka
disebut sebagai persamaan regresi berganda.

Untuk mencari persamaan garis regresi dapat digunakan berbagai pendekatan

(rumus), sehingga nilai konstanta (a) dan nilai koefisien regresi (b) dapat dicari dengan
metode sebagai berikut :
 a = [(ΣY . ΣX2) – (ΣX . ΣXY)] / [(N . ΣX2) – (ΣX)2] atau a = (ΣY/N) – b (ΣX/N)
b = [N(ΣXY) – (ΣX . ΣY)] / [(N . ΣX2) – (ΣX)2]
Contoh :
Berdasarkan hasil pengambilan sampel secara acak tentang pengaruh
lamanya belajar (X) terhadap nilai ujian (Y) adalah sebagai berikut :

Y(nilai ujian) X (lama belajar) X 2 XY

40 4 16 160

60 6 36 360

50 7 49 350

70 10 100 700

90 13 169 1.170

ΣY = 310 ΣX = 40 ΣX2 = 370 ΣXY = 2.740

Dengan menggunakan rumus di atas, nilai a dan b akan diperoleh sebagai berikut :
a = [(ΣY . ΣX2) – (ΣX . ΣXY)] / [(N . ΣX2) – (ΣX)2]
a = [(310 . 370) – (40 . 2.740)] / [(5 . 370) – 402] = 20,4
b = [N(ΣXY) – (ΣX . ΣY)] / [(N . ΣX2) – (ΣX)2]
b = [(5 . 2.740) – (40 . 310] / [(5 . 370) – 402] = 5,4
Sehingga persamaan regresi sederhana adalah Y = 20,4 + 5,2 X
Berdasarkan hasil penghitungan dan persamaan regresi sederhana tersebut di atas,
maka dapat diketahui bahwa :
1) Lamanya belajar mempunyai pengaruh positif (koefisien regresi (b) = 5,2)
terhadap nilai ujian, artinya jika semakin lama dalam belajar maka akan
semakin baik atau tinggi nilai ujiannya;
2) Nilai konstanta adalah sebesar 20,4, artinya jika tidak belajar atau lama
belajar sama dengan nol, maka nilai ujian adalah sebesar 20,4 dengan
asumsi variabel-variabel lain yang dapat mempengaruhi dianggap tetap.
C. Macam – macam Regresi
Macam-macam regresi itu terbagi lima antara lain sebagai berikut:
1.    Regresi Linier Sederhana
Hubungan antara 2 variabel. Yaitu x (variabel bebas) dan y (variabel tak bebas).
Kedua variable datanya kuantitatif.
Misal: Berat badan seseorang dipengaruhi tinggi badannya
2.    Regresi Linier Berganda
Hubungan antara variabel y dengan dua atau lebih variabel x. Semua variable
datanya kuantitatif.
Misal : produksi padi dipengaruhi oleh jenis pupuk, suhu, lama penyinaran, dll    
3.    Regresi Nonlinier
Hubungan antara variabel y dan x yang tidak linier. Tidak linier maksudnya laju
perubahan y akibat laju perubahan x tidak konstan untuk nilai-nilai x tertentu.
Misal : Produksi padi akan meningkat saat diberi pupuk taraf rendah ke sedang. Tapi
kalau diberi dengan taraf tinggi, malah produksinya menurun.
4.    Regresi Dummy
Hubungan antara variabel y (data kuantitatif) dan variabel x (data kualitatif).
Misal : Melihat pengaruh kemasan terhadap harga jual makanan. Kita coding 1 jika
kemasan menarik dan 0 jika kemasan tidak menarik. 1 dan o adalah variabel dummy.
5.    Regresi Logistik
Hubungan antara variabel y (data kualitatif) dan variabel x (data kuantitatif).
Misal : Ingin diketahui apakah konsumen akan membeli makanan di rumah makan
berdasarkan penilaian konsumen terhadap lokasi, pelayanan, pendapatan. Dalam
kasus ini hanya ada 2 kemungkinan respon konsumen, yaitu konsumen membeli (1)
dan tidak membeli (0).
D. Tujuan Penggunaan Regresi
Ada beberapa tujuan penggunaan analisis regresi, antara lain:
1. Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasari pada
nilai variabel bebas.
2. Menguji hipotesis karakteristik dependensi.
 3. Untuk meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai
variabel bebas diluar jangkauan sample.

E. Karakteristik Penggunaan Regresi

Regresi memiliki beberapa karakteristik antara lain :
1. Model regresi dikatakan layak  jika angka signifikansi pada ANOVA
sebesar < 0.05.
2. 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.
3. Keselerasan model regresi dapat diterangkan dengan menggunakan nilai
r2 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 diterangkan oleh model regresi.
Sebaliknya jika r2 sama dengan 0, maka tidak ada hubungan linier
antara X dan Y.
4. Terdapat hubungan linier antara variabel bebas (X) dan variabel
tergantung (Y)
5. Data harus berdistribusi normal
6. Data berskala interval atau rasio
7. 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).
 DAFTAR PUSTAKA

Supangat,Andi. 2010. Statistika. Jakarta:Kencana