REGRESI

Dalam banyak kegiatan kehidupan, ada kalanya seseorang melihat kondisi yang akan datang
berdasarkan dengan keadaan sekarang. Dalam hal ini seseorang tersebut melakukan prediksi
(ramalan ) atau regresi.
Prediksi dan korelasi sangat erat hubungannya. Jika ditemukan korelasi r=0 antara dua
variabel x dan y, dapat dikatakan tak ada hubungan di antara kedua variable tersebut. Artinya
dengan mengetahui variabel x, tak dapat mengetahui variabel y. Jadi dalam memprediksi x dan y
atau y dari x hanya bisa diterka saja. Sebaliknya, jika korelasi x dan y ≠ 0, maka jika x diketahui,
maka juga akan tahu y dan sebaliknya. Semakin besar nilai korelasi antara x dan y, semakin besar
pula prediksi y dari x atau sebaliknya.
Dalam melakukan prediksi, harus dapat ditentukan dengan tegas mana variable sebab dan
mana variable akibat. Perlu juga diketahui, prediksi bukan merupakan suatu hal yang pasti, tetapi
merupakan suatu keadaan yang mendekati kebenaran.

1. Regresi Linier
Regresi linier memprediksi satu variabel terikat (dependent variable) berdasarkan satu atau
lebih variabel bebas (independent variabel). Variabel terikat biasanya diberi notasi Y, sedang
variabel bebas notasinya X, sehingga bentuk hubungan yang dicari adalah regresi y atas x.
Misalnya regresi prestasi belajar (Y) atas intelegensi (X). Maka persamaan regresi matematisnya
adalah: Y = a + b (X)
Koefisien a dan b dapat dihitung berdasarkan hasil pengamatan terhadap X dan Y, yaitu dengan
memasangkan data/skor intelegensi (X) dengan data/skor prestasi belajar (Y). Seperti terlihat pada
tabel dibawah.
Untuk menghitung koefisien a dan b dengan rumus
(y )( x 2 )  (x )( xy)
a
nx 2  (x ) 2
nxy  (x )( y )
b
nx 2  (x ) 2
Contoh:
Regresi prestasi belajar Y atas tes seleksi masuk X
No. X Y XY X² Y²
Subjek
1 2 3 6 4 9
2 3 3 9 9 9
3 3 4 12 9 16
4 2 4 8 4 16
5 3 4 12 9 16
6 4 4 16 16 16
7 2 3 6 4 9
8 3 4 12 9 16
9 3 3 9 9 9
10 2 2 4 4 4
N = 10 ΣX=27 ΣY=34 ΣXY=94 ΣX²=77 ΣY²=120

(y )(x 2 )  (x)(xy)

a = 1,95
nx 2  (x) 2
nxy  (x)(y )
b = 0,536
nx 2  (x) 2

Dengan demikian persamaan regresi linier sederhana diatas :

Y = 1,95 + 0,536 X. Jadi setiap kenaikan variabel X satu satuan akan diikuti oleh kenaikan variabel
Y = 0,536 satuan dengan harga a konstan.

Beberapa persyaratan yang harus dipenuhi sebelum melakukan prediksi adalah :

1. Pengambilan sample dari populasi harus random
2. Data yang dicari kore1asinya harus berskala interval atau ratio.
3. Distribusi skor variable yang dicari korelsinya harus normal.
4. Variabel bebas dan terikatnya mempunyai hubungan yang linier.

2. Regresi Linier Ganda

Regresi linier ganda akan membicarakan hubungan antara variabel terikat (Y) dengan dua atau
lebih variabel bebas (X). Perhitungan-perhitungan yang dilakukan pada regresi linier ganda adalah
:
1. Persamaan garis linier untuk 2 prediktor: Y = a1x1 + a2x2 + K
K = bilangan konstan = Y – a1 x1 – a2 x2
2. Koefisien regresi (a)
 Untuk mencari a1 dan a2, dapat dihitung dengan rumus :
x1 y  a1x1  a2 x1 x2
2 2

x2 y  a1x1 x2  a2 x2

2

(x2 )(x1 y)  (x1 x2 )(x2 y)

2
a1 
(x1 )(x2 )  (x1 x2 ) 2
2 2

(x1 )(x2 y)  (x1 x2 )(x1 y)

2
a2 
(x1 )(x2 )  (x1 x2 ) 2
2 2

Untuk mencari jumlah kuadrat x, y dan xy, diperoleh dari rumus-

rumus :
(Y ) 2 (X ) 2
y 2  Y 2  ; x 2  X 2 
n n
(X )(Y )
xy  XY 
n
3. Koefisien regresi ganda.
Setelah diperoleh harga/koefisien prediktor (a), maka dapat digunakan untuk mencari
koefisien korelasi antara Y dengan X1 dan X2 secara bersama-sama, dengan rumus :
a1x1 y  a2 x2 y
Ry(1,2) =
y 2

Signifikansi Koefisien Regresi ganta.

R 2 y12 ( N  m  1)
Freg = N=jumlah sampel, m = jumlah predictor
m(1  R 2 y12
Untuk menguji signifikansi koefisien regresi ini. Freg yang diperoleh dibandingkan dengan
Ftabel (mis. α = 5%), db = m lawan (N-m-1).
Jika Fo > Ft maka Ho ditolak dan Ha diterima.

4. Efektifitas Garis Regresi (EGR)

EGR = R2y12 x 100%
Harga tersebut signifikan jika Freg signifikan.

5. Sumbangan Efektif Prediktor

Rumus yang digunakan adalah :
(a1x1 y )
SE1 = R 2 y12 x100%
(a1x1 y  a2 x2 y )
( a 2 x 2 y )
SE2 = R 2 y12 x100%
(a1x1 y  a2 x2 y )