Analisis Regresi Linier Berganda

Analisis Deskriptif
Metode analisis deskriptif adalah suatu cara analisis langsung melalui

penyajian tabel, grafik, dan diagram dengan memanfaatkan data-data yang
tersedia seperti persentase, rata-rata, dan ukuran statistik lainnya. Analisis
deskriptif yang digunakan dalam penelitian ini untuk memberikan gambaran
umum tentang perkembangan karet alam Indonesia yang dilihat dari aspek luas
arel perkebunan, produksi, volume ekspor karet alam, konsumsi karet alam
Indonesia periode 1970-2003 dan juga gambaran perkembangan karet alam dunia
dari aspek ekspor karet alam dunia, konsumsi karet alam dunia, harga karet alam
jenis SIR-20 di AS selama periode 1970-2003.
Analisis Regresi Linier Berganda
Analisis regresi merupakan studi dalam menjelaskan dan mengevaluasi
hubungan antara suatu peubah bebas ( independent variable) dengan satu peubah
tak bebas (dependent variable) dengan tujuan untuk mengestimasi dan atau
meramalkan nilai peubah tak bebas didasarkan pada nilai peubah bebas yang
diketahui (Widarjono, 2005).
Metode regresi linear berganda dapat digunakan untuk melihat pengaruh
beberapa peubah penjelas atau peubah bebas terhadap satu peubah tak bebas.
Metode analisis yang digunakan dalam penelitian ini adalah analisis regresi linear
berganda. Analisis regresi linier berganda digunakan untuk melihat pengaruh
peubah stok karet alam AS, PDB AS, harga karet alam di pasar internasional, dan
21
Copyright@2006
Angkatan 2006 Sekolah Tinggi Ilmu Statistik
website: www.youngstatistician.com milist: stis44@yahoogroups.com
jumlah kendaraan bermotor di AS terhadap volume ekspor karet alam Indonesia.
Selain itu, analisis regresi linear berganda juga digunakan untuk melihat pengaruh
peubah produksi karet alam Indonesia, impor karet sintetis Indonesia, jumlah
kendaraan bermotor di Indonesia, serta kebijakan pemerintah dalam Kepres no.1
tahun 1986 terhadap konsumsi karet alam Indonesia.
Untuk menyatakan kuat tidaknya hubungan linier antara peubah penjelas
dan peubah bebas dapat diukur dari koefisisen korelasi ( coefficient correlation)
atau R, dan untuk melihat besarnya sumbangan (pengaruh) dari peubah bebas
terhadap perubahan peubah tak bebas dapat dilihat dari koefisien determinasi
(coefficient of determination) atau R
2
.
Variabel boneka (dummy) adalah variabel yang menjelaskan ada atau tidak
adanya kualitas dengan membentuk variabel buatan yang mengambil nilai 1 atau 0
(Budiani, 2005).
Lebih lanjut, model regresi linear berganda yang digunakan dalam
penelitian ini untuk melihat pengaruh peubah-peubah bebas terhadap volume
ekspor karet alam yaitu :
i i i i i i
LnX LnX LnX LnX LnY + + + + + =
4 4 3 3 2 2 1 1 0
(1)
Keterangan:
i = 1,2,3,,n
Y
i
= volume ekspor karet alam Indonesia ke AS (ribu ton)
X
1i
= produk domestik bruto AS (millions of US$)
X
2i
= stok karet alam AS (ribu ton)
X3i = jumlah kendaraan bermotor AS (ribu unit)
22
Copyright@2006
X
4i
= harga karet alam di pasar internasional yang diwakili oleh jenis
SIR-20 (US$ per ribu ton)
i
= sisaan dengan asumsi independen N (0,

2
)
Pengaruh peubah bebas terhadap konsumsi karet alam di Indonesia dapat
diketahui dari persamaan regresi berikut :
i i i i i i
D LnX LnX LnX LnY + + + + + =
1 3 3 2 2 1 1 0
(2)
Keterangan:
Y
i
= konsumsi karet alam dalam negeri (ribu ton)
X1i = jumlah kendaraan bermotor di Indonesia (ribu unit)
X
2i
= impor karet sintetis Indonesia (kilogram)
X
3i
= produksi karet alam Indonesia (ribu ton)
D
1i
= 1 untuk setelah dikeluarkan kebijakan pemerintah dalam Kepres no.1
tahun1986
= 0 untuk sebelum dikeluarkan kebijakan pemerintah dalam Kepres no.1
tahun1986
Parameter yang digunakan dalam model diatas dapat ditaksir dengan metode
ordinary least squares (OLS), dengan syarat asumsi-asumsi model regresi linear
berganda ini terpenuhi (Gujarati, 1999).
Penyusunan Persamaan Regresi
Pemilihan persaman regresi dalam penelitian ini menggunakan prosedur
eliminasi langkah mundur. Draper dan Smith (1992) mengatakan bahwa prosedur
eliminasi langkah mundur (the backward elimination procedure) merupakan suatu
metode yang mencoba untuk memeriksa hanya regresi terbaik, yang mengandung
sejumlah tertentu peubah penjelas.
23
Copyright@2006
Adapun langkah-langkah pokok dalam prosedur ini adalah sebagai berikut:
1. Menghitung persamaan regresi yang mengandung semua peubah bebas.
2. Menghitung nilai-F parsial untuk setiap peubah bebas, seolah-olah ia
merupakan peubah terakhir yang dimasukkan ke dalam persamaan regresi.
3. Membandingkan nilai- F parsial terendah, misalnya F
L
, dengan nilai-F
bertaraf nyata tertentu dari tabel, misalnya F
0
.
a. Jika F
L
< F
0
, buang peubah Z
L
, yang menghasilkan F
L
, dari persamaan
regresi dan kemudian hitung kembali persamaan regresi tanpa
menyertakan peubah tersebut; kembali ke langkah (2).
b. Jika F
L
> F
0
, ambillah persamaan regresi itu.
Asumsi-Asumsi Regresi Linear Berganda
Penggunaan metode kuadrat terkecil biasa (OLS) dapat dilakukan apabila
asumsi regresi linear klasik terpenuhi. Beberapa asumsi yang yang harus dipenuhi
oleh persamaan regresi linear berganda ini adalah sebagai berikut:
1. Normalitas, regresi linear klasik mengasumsikan bahwa tiap
i
mengikuti
distribusi normal,
i
~ N(0,
2
).
2. Non autokorelasi antar sisaan, berarti cov (
i
,
j
) = 0, dimana i = j.
3. Homoskedastisitas, var (
i
) =
2
untuk setiap i, i= 1,2,,n yang artinya
varians dari semua sisaan adalah konstan atau homoskedastik.
4. Tidak terjadi multikolinearitas.
Tidak terdapat hubungan linear yang sempurna atau pasti di antara
beberapa atau semua variabel yang menjelaskan model regresi.
24
Copyright@2006
Untuk mengetahui apakah model persamaan yang digunakan sudah
memenuhi asumsi-asumsi regresi tersebut maka perlu dilakukan pemeriksaan
pada masing-masing asumsi.
Pemeriksaan asumsi regresi linear klasik dapat dijelaskan sebagai berikut:
a. Pemeriksaan asumsi kenormalan sisaan
Pemeriksaan kenormalan sisaan bertujuan untuk melihat distribusi sisaan
(
i
). Pemeriksaan kenormalan sisaan dilakukan dengan menggunakan plot
persentil-persentil (P-P Plot) (Draper dan Smith, 1992). Jika plot sisaan menyebar
di sekitar garis diagonal maka model regresi memenuhi asumsi kenormalan.
Selain itu, asumsi normalitas juga dapat diperiksa dengan uji Kolmogorov-
Smirnov. Pengujian dilakukan dengan menggunakan sisaan sebagai variabel yang
akan dilihat, berdistribusi normal atau tidak. Hipotesis dari pengujian ini adalah:
H
0
: sisaan berdistribusi normal.
H
1
: sisaan tidak berdistribusi normal.
Asumsi normalitas terpenuhi jika uji Kolmogorov-Smirnov berada pada
tingkat signifikansi >

yang ditetapkan (Singgih, 2003).
b. Pemeriksaan asumsi non autokorelasi
Autokorelasi dapat diartikan sebagai korelasi sisaan yang satu (
i
) dengan
sisaan lainnya (
j
). Biasanya autokorelasi sering terjadi pada data-data time series.
Penyebab utama terjadinya autokorelasi adalah ada variabel penting yang tidak
digunakan dalam model. Pendeteksian autokorelasi dapat dilakukan dengan
menggunakan statistik Durbin Watson. Prosedur pengujiannya adalah sebagai
berikut (Gujarati, 1999):
Lakukan regresi OLS dan dapatkan residual e
i
.
25
Copyright@2006
Hitung angka D-W (didapat dari hasil pengolahan SPSS).
Untuk ukuran sampel tertentu dan banyaknya peubah yang menjelaskan
tertentu, dapatkan nilai kritis d
L
dan d
U
.
Pengujian Hipotesis :
Ho : Tidak ada autokorelasi antar sisaan
H
a
: Ada autokorelasi antar sisaan
Statistik Uji :
( )
t t t
n t
t
t
n t
t
t t
Y Y e dengan
e
e e
d
1
2
2
2
1
=
=
=
=
=

(3)
Pengambilan keputusan ada tidaknya autokorelasi:
1) Jika hipotesis nol (Ho) adalah bahwa tidak ada korelasi serial positif, maka
apabila:
d < d
L
= menolak Ho
d > d
U
= tidak menolak Ho
d
L
< d d
U
= pengujian tidak meyakinkan
2) Jika hipotesis nol (Ho) adalah bahwa tidak ada korelasi serial negatif,
maka jika:
d > 4- d
L
= menolak Ho
d < 4- d
U
= tidak menolak Ho
4- d
U
d 4- d
L
= pengujian tidak meyakinkan
Sebagai catatan, jika ada masalah autokorelasi maka model regresi yang
seharusnya signifikan (dari uji-F) menjadi tidak layak untuk dipakai.
26
Copyright@2006
Cara mengatasi adanya autokorelasi adalah dengan melakukan
transformasi data dengan cara sebagai berikut (Gujarati, 1999):
Untuk data pertama :
i
V ln 1
2
|
|
.
|
\
|

.
(4)
Untuk data kedua dan seterusnya : (
1
ln ln

.
t i
V V
) (5)
dengan
2
1
d
=
.
d = nilai statistik d Durbin Watson, dan V

i
adalah X
i
dan Y
i
c. Pendeteksian asumsi homoskedastisitas
Artinya pada nilai variabel bebas berapapun variannya konstan yakni
2
.
Jika variannya berbeda-beda atau bervariasi, berarti terjadi heteroskedastisitas.
Pendeteksian heterosekedastisitas dapat dengan membuat plot data antara nilai-
nilai prediksi (
i
Y
) pada sumbu X dengan nilai kuadrat residualnya (

2
t
e ) pada
sumbu Y (Gujarati, 1995). Jika tidak terdapat pola yang jelas serta titik menyebar
di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas
atau model regresi baik untuk digunakan (Gujarati, 1999).
d. Pendeteksian asumsi non multikolinearitas
Multikolinearitas adalah terjadinya hubungan linier yang sempurna atau
pasti antara peubah-peubah bebas. Multikolinearitas dapat dideteksi dengan
(Supranto, 1995):
Nilai R
2
tinggi tetapi tidak satupun atau sangat sedikit yang diduga
signifikan secara statistik.
F hitung tinggi (signifikan) akan tetapi tidak satupun koefisien yang
signifikan secara parsial.
27
Copyright@2006
Asumsi ini juga dapat dideteksi dengan melihat besarnya Variance
Inflation Factor (VIF). Nilai VIF sebesar 1/ tolerance atau VIF = 1/ (1-R
2
xi
)
dengan R
2
xi
adalah koefisien determinasi jika peubah x
i
diprediksi dari peubah-
peubah independen yang lainnya. Multikolinearitas yang tidak serius terjadi jika
VIF berada antara satu sampai sepuluh (Myers, 1994).
Gujarati (1999) menyatakan bahwa apabila asumsi-asumsi regresi klasik
tersebut terpenuhi menjadikan teknik analisis dengan menggunakan metode
kuadrat terkecil biasa (OLS) menghasilkan penaksir tak bias linier terbaik
(BLUE/ Best Linear Unbiased Estimator).
Koefisien Determinasi
Koefisien determinasi merupakan besaran yang lazim digunakan untuk
mengukur kelayakan model (lack of fit test). Koefisien determinasi ini dikenal
dengan besaran R
2
. Koefisien determinasi digunakan untuk mengetahui proporsi
varians variabel tidak bebas yang dijelaskan oleh variabel bebas secara bersama-
sama atau secara verbal R
2
mengukur proporsi (bagian) atau persentase total
variasi dalam Y yang dijelaskan oleh model regresi (Gujarati, 1999).
R
2
diperoleh dengan rumus :
( )
SST
SSR
Y Y
Y Y
R
n
i
i
n
i
i
=
|
.
|
\
|

=
=
=
.
1
2
1
2
2
(6)
R
2
terletak antara 0 dan 1. Jika R
2
= 1, berarti suatu kecocokan sempurna.
Jika R
2
= 0, berarti tidak ada hubungan antara variabel tak bebas dan variabel
bebas. Semakin besar nilai R
2
maka model semakin baik untuk digunakan.
28
Copyright@2006
Jika regresi terdiri atas variabel bebas yang lebih dari dua, sebaiknya digunakan
R
2
yang disesuaikan yang diperoleh dari :
( )
( )
( ) 1
1
R 1 1
2 2

=
k n
n
R
a
(7)
dengan k = banyaknya parameter penduga dalam model
n = banyaknya percobaan
Pengujian Parameter
Pengujian penduga parameter memiliki tujuan untuk mengetahui tingkat
keberartian penduga parameter yang digunakan melalui pengujian hipotesis. Jika
hipotesis ditolak maka dapat disimpulkan bahwa penduga parameter tersebut
signifikan atau berarti.
a. Uji-F
Uji F dilakukan untuk mengetahui keberartian model secara berama-sama.
Pengujian Hipotesis :
H
0
:
, 0 ...
2 1
= = = =
k

dengan k adalah peubah bebas
H
a
: minimal ada
0 =
i
, dengan i = 0,1,2,,k
Statistik uji yang digunakan dapat dirumuskan sebagai berikut:
( )
( ) 1
=
k n SSE
k SSR
F
hit
(8)
dimana: k adalah banyaknya parameter yang diduga
n adalah banyaknya observasi
Keputusan :
( )( ) 1
s
k n k hit
F F

, maka H
0
diterima
( )( ) 1
>
k n k hit
F F

, maka H
0
ditolak
29
Copyright@2006
Keputusan yang diharapkan adalah tolak H
0
yang berarti peubah-peubah
bebas yang dimasukkan ke dalam model secara bersama-sama
mempengaruhi peubah tidak bebas pada tingkat kepercayaan (1-

)
persen. Pengambilan keputusan dalam output SPSS juga dapat dilihat dari
tingkat signifikansinya < o yang ditetapkan maka keputusannya adalah H
0
ditolak.
b. Uji t
Uji t dilakukan untuk mengetahui keberartian dari masing-masing
penduga parameter secara parsial, apakah koefisien parsial yang diperoleh
tersebut mempunyai pengaruh atau tidak dengan asumsi bahwa variabel
tidak bebas lainnya konstan.
Hipotesisnya adalah :
H
0
:
0 =
i
(Tidak ada pengaruh dari peubah X

i
terhadap Y)
H
a
:
0 =
i
(Ada pengaruh dari peubah X

i
terhadap Y)
Statistik uji yang digunakan diformulasikan sebagai berikut:
( )
i
i
hit
b S
b
t = (9)
Dimana : b
i
adalah koefisien regresi ke-i
S(b
i
) adalah standar error dari koefisien regresi ke-i
Keputusan yang diambil adalah:
( ) 1 2 /
s
k n hit
t t

, maka H
0
diterima
( ) 1 2 /
)
k n hit
t t

, maka H
0
ditolak
30
Copyright@2006
Keputusan yang diharapkan adalah tolak H
0
yang berarti ada pengaruh
nyata peubah-peubah bebas secara individu terhadap peubah tidak bebas
pada tingkat kepercayaan (1-
) persen.
31
Copyright@2006

Analisis Regresi Linier Berganda

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Analisis Regresi Linier Berganda

Diunggah oleh

Hak Cipta:

Format Tersedia

Analisis Deskriptif

Metode analisis deskriptif adalah suatu cara analisis langsung melalui

= sisaan dengan asumsi independen N (0,

d = nilai statistik d Durbin Watson, dan V

) pada sumbu X dengan nilai kuadrat residualnya (

(Tidak ada pengaruh dari peubah X

(Ada pengaruh dari peubah X

Anda mungkin juga menyukai