UNIVERSITAS MADURA

ANALISIS REGRESI

KELOMPOK 7
ANALISIS REGRESI
Analisis Regresi adalah suatu metode analisis yang biasa digunakan untuk melihat pengaruh
antara dua atau banyak variabel. Umumnya, analisis ini digunakan untuk memprediksi
hubungan antara variabel-variabel. Analisis regresi juga dapat digunakan untuk memahami
variabel – variabel bebas mana saja yang dapat berhubungan dengan variabel terikat, serta
untuk mengetahui bentuk hubungan tersebut.
Ada beberapa syarat yang harus diketahui dalam melakukan analisis regresi:
1. Hubungan, sebelum melakukan analisis regresi kita harus mengetahui terlebih dahulu
hubungan antara variabel itu. Jika antara variabel tersebut telah diketahui
hubungannya maka bisa dianalisis hubungan analisis regresi tersebut.
2. Varibel
Ada dua variabel dalam analisis regresi yaitu, Varibel Kriterium dan Variabel
Prediktor. Variabel Kriterium merupakan variabel terikat dan Variabel Prediktor
merupakan variabel bebas.
Contoh:
Dari hasil analisis korelasi dinyatakan bahwa terdapat hubungan signifikan antara
motivasi kerja dan kinerja. Dikarenakan ada hubungan yang signifikan, maka
dilakukan uji prediksi/uji regresi.
Misalkan,
Apakah kinerja seseorang dapat diprediksi dari motivasi kerjanya?
Si A mendapatkan motivasi kerjanya skor 7, kemudian skor kinerja si A itu berapa,
bisa di prediksi dengan analisis regresi.

JENIS ANALISIS REGRESI DAN CONTOHNYA

1. ANALISIS REGRESI LINIER SEDERHANA
Analisis ini digunakan untuk memprediksi distribusi data yang terdiri dari satu variabel
kriterium dan satu variabel prediktor. Analisis regresi linier sederhana ini termasuk pada
uji statistik parametrik jadi diperlukan asumsi-asumsi.
Asumsi:
- Data diambil secara random dari populasi
- Data memiliki pasangan yang sama
- Data berdistribusi normal
- Hubungan antara variabel linier
Bentuk umum persamaan Analisis Regresi Linier Sederhana:
Y = a + bX
Ket:
Y = Variabel Kriterium
X = Variabel Prediktor
Dengan koefisien a sebagai variabel konstan:

Dan, koefisien b sebagai arah koefisien arah regresi linier:

Contoh soal:
Suatu penelitian dengan judul “Hubungan antara Gaya Kepemimpinan Kepala Sekolah
dengan Kinerja Guru”

Jawab:
1. Mendeskripsikan data terlebih dahulu
 2. Menghitung Koefisien Regresi

3. Menghitung Jumlah Kuadrat Total

JKₜ = ∑Y²

JKₜ = 340

4. Menghitung Jumlah Kuadrat Regresi a (JKₐ)

5. Menghitung Jumlah Kuadrat Reduksi (JKᵣ)

 6. Menghitung Jumlah Kuadrat Regresi b

7. Menghitung Jumlah Kuadrat Sisa

8. Menghitung uji F

9. Menentukan kriteria

Jika = Ho Diterima

Jika = Ho Ditolak

10. Menghitung F tabel

Kesimpulan :

Terdapat hubungan signifikan antara gaya kepemimpinan kepsek dengan jinerja guru.

Berdasarkan persamaan Y = 2,447 + 0,908X dapat diartikan bahwa kenaikan skor rata-rata

gaya kepemimpinan kepsek sebesar 1 unit, maka akan meningkatkan kinerja guru sebesar

0,908 pada konstanta 2,447

2. ANALISIS REGRESI LINIER BERGANDA

Analisis regresi berganda hampir sama dengan analisis regresi linier sederhana, dimana

untuk memprediksi nilai dependen atau yang lebih dikenal dengan variabel Y

memerlukan variabel independen atau yang lebih dikenal dengan variabel X. Hal yang

membedakan antara regresi ini dengan regresi linier sederhana adalah jumlah variabel

yang digunakannya. Di regresi linear berganda, kita bisa menggunakan mulai dari dua

bahkan lebih variabel independen. Namun bisa jadi tidak semua variabel mempengaruhi

variabel Y. Untuk mendapatkan model terbaik, kita hanya perlu memilih variabel yang

berpengaruh ke variabel Y saja.

Persamaan umumnya:

Dengan Y adalah variabel bebas, dan X adalah variabel-variabel bebas, a adalah

konstanta (intersept) dan b adalah koefisien regresi pada masing-masing variabel bebas.
Interpretasi terhadap persamaan juga relatif sama, sebagai ilustrasi, pengaruh antara

motivasi (X1), kompensasi (X2) dan kepemimpinan (X3) terhadap kepuasan kerja (Y)

menghasilkan persamaan sebagai berikut:

- Jika variabel motivasi meningkat dengan asumsi variabel kompensasi dan

kepemimpinan tetap, maka kepuasan kerja juga akan meningkat

- Jika variabel kompensasi meningkat, dengan asumsi variabel motivasi dan

kepemimpinan tetap, maka kepuasan kerja juga akan meningkat.

- Jika variabel kepemimpinan meningkat, dengan asumsi variabel motivasi dan

kompensasi tetap, maka kepuasan kerja juga akan meningkat.

Interpretasi terhadap konstanta (0,235) juga harus dilakukan secara hati-hati. Jika

pengukuran variabel dengan menggunakan skala Likert antara 1 sampai dengan 5 maka

tidak boleh diinterpretasikan bahwa jika variabel motivasi, kompensasi dan

kepemimpinan bernilai nol, sebagai ketiga variabel tersebut tidak mungkin bernilai nol

karena Skala Likert terendah yang digunakan adalah 1.

3. ANALISIS REGRESI LOGISTIK

Analisis Regresi logistik adalah salah satu jenis analisis regresi dengan data yang

dianalisis berjenis kategorik, lebih tepatnya dikotomis. Analisis regresi ini biasanya

dilakukan untuk mengetahui ada atau tidaknya hubungan dua variabel. Analisis regresi ini

cukup berbeda jika dibandingkan dengan dua analisis regresi sebelumnya. Analisis

regresi logistik terbilang cukup rumit, karena biasanya digunakan untuk menentukan

probabilitas dari suatu kejadian, seperti ya atau tidak, hidup atau mati, dan lain

sebagainya. Umumnya untuk menggunakan regresi logistik, variabel dependen nya

(variabel Y) akan bersifat kategorik. Analisis Regresi Logistik kemudian terbagi menjadi

analisis regresi logistik biner dan analisis regresi logistik multinomial.

Bentuk persamaan umumnya:

Analisis regresi logistik biasanya dilakukan untuk membandingkan antara dua kategori

dalam satu variabel. Dalam bidang kesehatan, analisis regresi juga bisa digunakan untuk

mengetahui faktor risiko atau variabel paparan.

Asumsi yang digunakan tidak semua jenis data dapat dianalisis menggunakan regresi

logistik. Terdapat persyaratan atau asumsi yang harus dipenuhi suatu data agar regresi

logistik bisa diaplikasikan dengan benar. Asumsi-asumsi yang dimaksud diantaranya:

- Jika peneliti ingin menggunakan regresi logistik, peneliti tidak perlu merisaukan

bentuk hubungan antara variabel independen dengan variabel dependen. Hal ini

dikarenakan untuk melakukan analisis regresi ini tidak hubungan linier variabel bebas

dan terikat tidak diperlukan.

- Untuk menggunakan analisis regresi ini, jenis data yang dimiliki oleh peneliti harus

bersifat dikotomi, yakni hanya ada dua kategori saja.

- Variabel bebas yang ada tidak perlu lagi diubah menjadi data numerik seperti interval

atau rasio, karena yang dibutuhkan adalah data kategorik.

- Jika pada analisis regresi lain terdapat asumsi homoskedastisitas yang harus dipenuhi,

untuk regresi logistik hal tersebut tidak harus terpenuhi. Artinya analisis masih bisa

dijalankan meskipun data tidak homoskedastisitas.

- Jumlah sampel yang diperlukan agar bisa menjalankan analisis regresi ini cukup

besar, yakni lebih dari 50 sampel.

- Pada variabel bebas, kategori yang ada harus bersifat eksklusif. Dengan kata lain tidak

ada hubungan atau keterkaitan pada masing-masing kategori di variabel bebas.

Analisis regresi logistik sebaiknya dilakukan melalui aplikasi pengolah data karena bisa

memudahkan peneliti dan menyederhanakan proses penghitungan. Aplikasi yang umum

digunakan adalah SPSS. Berikut ini adalah langkah-langkah yang harus dilakukan

peneliti dalam menganalisis data:

- Langkah pertama adalah menginput data. Masukan data yang didapat dari hasil

penelitian ke dalam aplikasi pengolah data. Pastikan bahwa data yang dimasukan

telah berbentuk kategorik.

- Apabila semua data telah berbentuk kategorik dan sesuai dengan data lapangan, maka

peneliti bisa melakukan analisis. Arahkan kursor ke menu Analyze, lalu klik

Regression dan pilih Binary Logistic.

- Isi variabel dependen sesuai dengan variabel terikat yang digunakan dan pada menu

covariate, isi dengan variabel bebas peneliti.

- Pada kolom method, pilih enter, lalu klik OK. Sebuah data dikatakan memiliki

hubungan yang signifikan jika nilai signifikansi kurang dari 0,05.

Masing-masing jenis analisis regresi memiliki kegunaannya sendiri-sendiri. Untuk data

kategorik dikotomi, analisis regresi logistik adalah pilihan yang tepat. Selama semua

asumsi terpenuhi, peneliti bisa menggunakan analisis regresi ini.