A. Poin-poin materi
1. Regresi
2. Regresi linier sederhana
3. Dasar pengambilan keputusan dengan SPSS
4. Dasar pengambilan keputusan dengan Analystat
B. Uraian Materi
1. Regresi
Korelasi dan regresi keduanya mempunyai hubungan yang sangat erat. Setiap
regresi pasti ada korelasinya, tetapi korelasi belum tentu dilanjutkan dengan regresi.
Korelasi yang tidak dilanjutkan dengan regresi, adalah korelasi antara dua variabel yang
tidak mempunyai hubungan kasual/sebab akibat, atau hubungan fungsional. Untuk
menetapkan kedua variabel mempunyai hubungan kusal atau tidak, maka harus
didasarkan pada teori atau konsep-konsep tentang dua variabel tersebut.
Hubungan antara panas dengan tingkat muai panjang, dapat dikatakan sebagai
hubungan yang kausal/sebab akibat, hubungan antara kepemimpinan dengan kepuasan
kerja pegawai dapat dikatakan hubungan yang fungsional, hubungan antara kupu-kupu
yang datang dengan banyaknya tamu di rumah bukan merupakan hubungan kausal
maupun fungsional.
Analisis regresi digunakan jika ingin mengetahui bagaimana variabel
dependen/kriteria dapat diprediksikan melalui variabel independen atau variabel
prediktor. Dampak dari penggunaan analisis regresi dapat digunakan untuk memutuskan
apakah naik dan menurunnya variabel dependen dapat dilakukan melalui menaikan dan
menurunkan keadaan variabel independen, atau meningkatkan keadaan variabel
dependen dapat dilakukan dengan meningkatkan variabel independen/dan sebaliknya.
Analisis regresi setidak-tidaknya memiliki 3 kegunaan, yaitu
(1) Untuk tujuan deskripsi dari fenomena data atau kasus yang sedang diteliti. Regresi
mampu mendeskripsikan fenomena data melalui terbentuknya suatu model hubungan
yang bersifatnya numerik.
(2) Untuk tujuan kontrol, regresi juga dapat digunakan untuk melakukan
pengendalian (kontrol) terhadap suatu kasus atau hal-hal yang sedang diamati
melalui penggunaan model regresi yang diperoleh.
(3) Serta untuk tujuan prediksi. Selain itu, model regresi juga dapat dimanfaatkan
untuk melakukan prediksi untuk variabel terikat. Namun yang perlu diingat,
prediksi di dalam konsep regresi hanya boleh dilakukan di dalam rentang data dari
variabel-variabel bebas yang digunakan untuk membentuk model regresi tersebut.
Di dalam suatu model regresi kita akan menemukan koefisien-koefisien.
Koefisien pada model regresi sebenarnya adalah nilai duga parameter di dalam model
regresi untuk kondisi yang sebenarnya (true condition), sama halnya dengan statistik
mean (rata-rata) pada konsep statistika dasar. Hanya saja, koefisien-koefisien untuk
model regresi merupakan suatu nilai rata-rata yang berpeluang terjadi pada variabel Y
(variabel terikat) bila suatu nilai X (variabel bebas) diberikan.
Koefisien regresi dapat dibedakan menjadi 2 macam, yaitu:
a. Intersep (intercept)
Intersep, definisi secara metematis adalah suatu titik perpotongan antara suatu
garis dengan sumbu Y pada diagram/sumbu kartesius saat nilai X = 0. Sedangkan
definisi secara statistika adalah nilai rata-rata pada variabel Y apabila nilai pada
variabel X bernilai 0. Dengan kata lain, apabila X tidak memberikan kontribusi, maka
secara rata-rata, variabel Y akan bernilai sebesar intersep. Perlu diingat, intersep
hanyalah suatu konstanta yang memungkinkan munculnya koefisien lain di dalam
model regresi. Intersep tidak selalu dapat atau perlu untuk diinterpretasikan. Apabila
data pengamatan pada variabel X tidak mencakup nilai 0 atau mendekati 0, maka
intersep tidak memiliki makna yang berarti, sehingga tidak perlu diinterpretasikan.
b. Slope
Secara matematis, slope merupakan ukuran kemiringan dari suatu garis.
Slope adalah koefisien regresi untuk variabel X (variabel bebas). Dalam konsep
statistika, slope merupakan suatu nilai yang menunjukkan seberapa besar kontribusi
(sumbangan) yang diberikan suatu variabel X terhadap variabel Y. Nilai slope dapat
pula diartikan sebagai rata-rata. Pertambahan (atau pengurangan) yang terjadi pada
variabel Y untuk setiap peningkatan satu satuan variabel X.
Contoh model regresi: Y = 9.4 + 0.7X + ε
Angka 9.4 merupakan intersep, 0.7 merupakan slope, sedangkan ε merupakan error.
Error bukanlah berarti sesuatu yang rusak, hancur atau kacau. Pengertian error di dalam
konsep statistika berbeda dengan pengertian error yang selama ini dipakai di dalam
kehidupan sehari-hari.Di dalam konsep regresi linier, error adalah semua hal yang
mungkin mempengaruhi variabel terikat Y, yang tidak diamati oleh peneliti.
2. Regresi linier sederhana
Berdasarkan variabel bebas, regresi dibagi menjadi 2, yaitu regresi sederhana dan regresi
berganda.
Sederhana: banyak variabel bebas tepat satu
x y
Regresi
a=
∑ y i−b ∑ x i
n
Contoh: Berikut adalah data biaya promosi dan Volume Penjualan PT BIMOLI
perusahaan minyak goreng.
Biaya Promosi Volume Penjualan (y)
Tahun
(x) (Juta Rupiah) (puluhan Juta Liter)
2016 2 5
2017 4 6
2018 5 8
2019 7 10
2020 8 11
a=
∑ y i−b ∑ x i = 40−(1,053 ×26) =2,530
n 5
Jadi persamaan regresi linier sederhana yang diperoleh adalah
^y =a+bx=¿ 2,530 + 1,053 x
^y =2,530+1,053 x
Interpretasi pers.regresi
Berdasarkan hasil perhitungan di atas, diperoleh nilai a = 2,530.
Maknanya jika tidak ada biaya promosi (x = 0 maka ^y =¿2,530 + 1,053
x = 2,530 + 1,053 (0) = 2,530 + 0 = 2,530) maka volume penjualan
sebanyak 2,530 (puluhan juta liter)
Berdasarkan hasil perhitungan di atas, diperoleh nilai b = 1,053.
Maknanya setiap peningkatan biaya promosi sebesar 1 juta rupiah
(sesuai satuan pada soal yaitu x sebagai biaya promosi dalam satuan
juta rupiah), maka secara rata-rata menyebabkan kenaikan volume
penjualan sebesar 1,053 (puluhan juta liter)/ 10.530.000 liter.
Nilai b bernilai positif (b = 1,053), artinya terdapat pengaruh positif
(searah). Jika biaya promsi naik (nilai x naik) maka volume penjualan
juga akan naik (nilai y juga naik)
Jika nilai b negatif artinya terdapat pengaruh negative (berlawanan
arah).
2) Jika biaya promosi adalah 9 (juta rupiah) , maka estimasi volume penjualan
adalah…
Biaya promosi = 9 juta
Biaya promosi = var.bebas = X maka X = 9 (juta rupiah)
Maka volume penjualan = Y = ….
Y =2,530+1,053 x
Y =¿2,530 + 1,053 (9)
Y =2,530+9,477
Y =12 , 007 (puluhan juta liter)/120.070.000 liter
Jadi jika biaya promosi sebesar 9 (juta rupiah) maka di perkirakan/diestimasi
volume penjualan sebesar 12,007 (ratusan juta liter)
3) Diinginkan volume penjualan sebesar 20 (puluhan juta liter) → Y = 20 (puluhan
juta liter)/ 200.000.000 liter.
Maka biaya promosi = X =…..
Y =2,530+1,053 x
20 = 2,530 + 1,053x
20 – 2,530 = 1,053x
17,47 = 1,053x
x = 17,47 /1,053
x = 16,6 (juta rupiah)/ Rp 16.600.000,-
b. Pertanyaan dalam analisis regresi linier sederhana
Uji regresi yang akan di bahas pada pertemuan ini akan menggunakan 2 aplikasi,
yaitu (1) SPSS , (2) Analystat. Setelah melakukan analisis regresi linier sederhana dapat
menjawab 5 pertanyaan berikut:
a) Berapakah nilai a dan b? Tuliskan persamaan regresi!
b) Apakah ada pengaruh var.bebas (X) terhadap var.terikat (Y)?
c) Interpretasi nilai pada persamaan regresi!
d) Var.bebas memberikan pengaruh positif atau negative ?
e) Seberapa besar kontribusi var.bebas terhadap var.terikat?(koef.determinasi)
C. Poin-poin materi
1. Regresi linier berganda
2. Asumsi klasik dalam regresi linier berganda
3. Perhitungan manual regresi linier berganda
D. Uraian Materi
Pada awalnya analisis regresi linier berganda dikembangkan oleh ahli ekonometrika
untuk membantu meramalkan akibat dari aktivitas-aktivitas ekonomi. Fenomena ekonomi
dan bisnis bersifat kompleks sehingga perubahan suatu variable tidak hanya disebabkan oleh
satu variable bebas tetapi juga dipengaruhi oleh variable lain sehingga tidak dapat dijelaskan
hanya dengan menggunakan satu variable bebas saja. Contoh:
Besarnya konsumsi keluarga tidak hanya dipengaruhi oleh besarnya pendapatan, tetapi
juga dipengaruhi oleh jumlah anggota keluarga, tingkat pendidikan dan gaya hidup
Besarnya jumlah penjualan tidak hanya dipengaruhi oleh harga, tetapi juga dipengaruhi
oleh besarnya biaya promosi dan biaya distribusi yang di keluarkan.
Tingkat produktivitas kerja pegawai tidak hanya di pengaruhi oleh kemampuan pegawai
saja, namun juga kepemimpinan.
1. Regresi linier berganda
Analisis regresi ganda digunakan oleh peneliti, bila peneliti bermaksud
meramalkan bagaimana keadaan (naik turunnya) variabel dependen (kriterium), bila dua
atau lebih variabel independen sebagai prediktor dimanipulasi (dinaikturunkan nilainya).
Jadi analisis regresi ganda akan dilakukan bila jumlah variabel independennya minimal 2.
Persamaan regresi untuk dua prediktor:
Y = a + b1X1 + b2X2
Persamaan regresi untuk tiga prediktor:
Y = a + b1X1 + b2X2 + b3X3
Persamaan regresi untuk n prediktor:
Y = a + b1X1 + b2X2 + b3X3 + .......+ bnXn
Untuk bisa membuat ramalan melalui regresi, maka data setiap variabel harus
tersedia. Selanjutnya berdasarkan data itu peneliti harus dapat menemukan persamaan
regresi melalui perhitungan. Dalam analisis regresi linier berganda dapat diketahui
pengaruh var. bebas terhadap var.terikat secara parsial dan simultan.
Uji simultan var.bebas terhadap var.terikat
Pengujian secara simultan untuk mengetahui apakah ada pengaruh secara
simultan/bersama-sama dari var.bebas terhadap var.terikat (misal pengaruh X 1 dan X2
terhadap Y). Pengujian secara simultan menggunakan uji-F. Jika var,bebas memiliki
pengaruh secara simultan terhadap var.terikat maka model persamaan regresi
masuk dalam kriteria cocok atau fit. Sebaliknya jika tidak terdapat pengaruh
simultan maka masuk dalam kategori tidak cocok atau tidak fit.
Uji parsial var.bebas terhadap var.terikat
Pengujian secara parsial untuk mengetahui apakah ada pengaruh secara parsial/sendiri
dari var.bebas terhadap var.terikat (misal pengaruh X 1 terhadap Y dan pengaruh X2
terhadap Y). Pengujian secara simultan menggunakan uji-t.
Uji regresi yang akan di bahas pada pertemuan ini akan menggunakan aplikasi
SPSS. Setelah melakukan analisis regresi linier sederhana dapat menjawab 5
pertanyaan berikut:
a) Berapakah nilai a dan b? Tuliskan persamaan regresi!
b) Apakah ada pengaruh var.bebas (X) terhadap var.terikat (Y)?
c) Interpretasi nilai pada persamaan regresi!
d) Var.bebas memberikan pengaruh positif atau negative ?
e) Seberapa besar kontribusi var.bebas terhadap var.terikat?(koef.determinasi)
Dasar pengambilan keputusan dengan SPSS
4. Uji-F Simultan Regresi Linier Berganda
a. Untuk menjawab pertanyaan Apakah ada pengaruh var.bebas terhadap
var.terikat? (secara simultan) maka pengambilan keputusannya dapat dilakukan
dengan 2 cara yaitu (1) membandingkan antara nilai F hitung dan F table, (2)
membandingkan nilai signifikasi dengan nilai probabilitas 0,05
(3) Membandingkan nilai F hitung dan F table
Nilai F hitung di peroleh pada table output ANOVA pada kolom F. Sedangkan F
table dapat di peroleh dari table F.
Dengan dasar pengambilan keputusan sebagai berikut:
Jika nilai F hitung > nilai F tabel, maka H 0 ditolak dan H1 diterima, artinya ada
pengaruh (secara simultan) variabel bebas terhadap variabel terikat dan model
persamaan regresi masuk dalam kriteria cocok atau fit.
Jika nilai F hitung < nilai F tabel, maka H 0 diterima dan H1 ditolak, artinya tidak
ada pengaruh (secara simultan) variabel bebas terhadap variabel terikat dan
model persamaan regresi masuk dalam kriteria tidak cocok atau tidak fit.
(4) Membandingkan nilai signifikasi dengan nilai probabilitas 0,05
Pengambilan keputusan berdasarkan pada output table ANOVA pada kolom Sig.
Berdasarkan nilai signifikan (Sig.)
nilai sig < 0,05 maka ada pengaruh (secara simultan) var.bebas terhadap
var.terikat dan model persamaan regresi masuk dalam kriteria cocok atau
fit
nilai sig > 0,05 maka tidak ada pengaruh (secara simultan) var.bebas terhadap
var.terikat dan model persamaan regresi masuk dalam kriteria tidak cocok
atau tidak fit.
b. Untuk menjawab pertanyaan, berapakah nilai a dan b? dan bentuk persamaan regresi?
Maka untuk mengetahui
Kemudian dapat dituliskan persamaan regresi y = a + bx
c. Interpretasi persamaan regresi y = a + bx
a merupakan angka konstanta. Maknanya bahwa jika nilai x (var.bebas) = 0 maka
nilai y (var.terikat) = a
Catatan:
d) Nilai konstanta yang negative dapat diabaikan (tidak menjadi persoalan),
selama model regresi yang diuji sudah memenuhi asumsi (misal normalitas
untuk regresi sederhana). Selama nilai slope b tidak nol maka tanda negative
pada konstanta dapat diabaikan.
e) Konstanta negative kemungkinan terjadi jika ada rentang yang cukup jauh
antara X dan Y. (misal: X memiliki rentang 1 – 8, sedangkan Y memiliki
rentang 100 – 200)
f) Pada dasarnya regresi digunakan untuk memprediksi Y berdasarkan
perubahan X, maka harusnya yang menjadi perhatian adalah X (nilai b ¿
b merupakan angka koefisien regresi. Angka ini mengandung arti bahwa setiap
peningkatan/penurunan var.bebas (X) sebesar satuan var.bebas maka secara rata-
rata menyebabkan peningkatan/penurunan sebesar nilai b pada var.terikat.
d. Untuk menjawab pertanyaan “Var.bebas memberikan pengaruh positif atau negative”
maka pengambilan keputusan dapat melihat nilai b yaitu jika nilai koefisien regresi
(b) bertanda minus (-) maka diinterpretasikan terdapat pengaruh negative (hubungan
negative). Sedangkan jika nilai koefisien regresi (nilai b) bertanda positif (+) maka
diinterpretasikan terdapat pengaruh positif (hubungan positif)
e. Untuk menjawab pertanyaan “Seberapa besar kontribusi var.bebas terhadap
var.terikat?(koef.determinasi)” maka pengambilan keputusan berdasarkan output
table Model Summary pada kolom R Square.