1
Nama anggota kelompok:
2
Uji Regresi Linier
Tujuan dari metode ini adalah untuk memprediksi nilai Y untuk nilai X
yang diberikan (Hijriani dkk, 2016)
3
Jenis-jenis Regresi Linier
4
Persamaan regresi linier dari Y terhadap X dirumuskan:
5
Jadi harga b merupakan fungsi dari koefisien korelasi. Bila koefisien korelasi
tinggi, maka harga b juga besar, sebaliknya bila koefisien korelasi rendah
maka harga b juga rendah. Selain itu bila bila koefisien korelasi negatif maka
harga b juga negatif, dan sebaliknya bila koefisien korelasi positif maka harga
b juga positif (Sugiyono, 2010)
6
Langkah-langkah Analisis dan Uji Regresi Linier
Sederhana
1. Menentukan tujuan dari Analisis Regresi Linear Sederhana
2. Mengidentifikasi variabel predictor dan variabel response
3. Melakukan pengumpulan data dalam bentuk tabel
4. Menghitung X², XY dan total dari masing-masingnya
5. Menghitung a dan b menggunakan rumus yang telah ditentukan
6. Membuat model Persamaan Garis Regresi
7. Melakukan prediksi terhadap variabel predictor atau response
8. Uji signifikansi menggunakan Uji-t dan menentukan Taraf Signifikan
7
b. Regresi linier berganda
•Regresi linier berganda adalah regresi dengan variabel terikat (Y)
dihubungkan lebih dari satu variabel bebas, namun masih menujukkan
hubungan yang linier (Iqbal Hasan, 2008).
•Bentuk umum persamaan regresi linier ganda:
Y = variabel terikat
a = konstanta
b1,b2 = koefisien regresi
X1, X2 = variabelbebas
e = kesalahan pengganggu
8
• Jika variabel terikat dihubungkan dengan dua variabel bebas, maka
bentuk persamaan regresi linear gandanya dituliskan sebagai berikut.
Y = variabel terikat
X1, X2 = variabel bebas
a, b1, b2 = koefisien regresi linier berganda
a = nilai Y, apabila X1 = X2 = 0
b1 = besarnya kenaikan/penurunan Y dalam satuan, jika X1 naik/turun satu satuan dan X2 konstan
b2 = besarnya kenaikan/penurunan Y dalam satuan, jika X2 naik/turun satu satuan dan X1 konstan
9
Analisis Uji Regresi Linear Ganda
Berdasarkan regresi linier ganda, model persamaan ini dapat dianalisis
dengan beberapa pengujian berikut (Farizal dkk, 2014).
Uji Multikolinearitas -> menunjukkan adanya lebih dari satu hubungan
linier yang sempurna. Jika VIF lebih kecil dari 10, maka dalam model tidak
terdapat multikolinieritas (Ndruru dkk, 2014).
10
Analisis Uji Regresi Linear Ganda
Uji Model Regresi -> tujuannya untuk mengecek ada tidaknya
pengaruh yang signifikan terhadap variabel predictor yang digunakan
pada model dengan nilai variabel tergantung yang akan diprediksikan.
Uji ini dapat dilakukan dengancara Uji serentak F test dan Uji individu.
11
Analisis Uji Regresi Linear Ganda
Uji Residual -> Uji residual dapat dilihat menggunakan scatter plot. Jika
diperoleh hasil scatter plot acak, maka model regresi memenuhi syarat
IID. Syarat-syarat IID yaitu, identic (memiliki varian yang konstan),
independen (saling bebas, tidak ada autokorelasi antar residual), dan
berdistribusi normal.
12
Regresi Logistik
13
Jenis-jenis Regresi Uji Logistik
14
• Regresi Logistik Multinomial
Regresi logistik multinomial adalah model regresi yang digunakan untuk
menyelesaikan kasus regresi dengan variabel dependen berupa data
kualitatif berbentuk multinomial (lebih dari dua kategori) dengan satu
atau lebih variabel independen
15
• Regresi Logistik Ordinal
Regresi logistik ordinal merupakan salah satu metode statistika yang
menggambarkan hubungan antara suatu variabel respon (Y) dengan
lebih dari satu variabel prediktor (X) dimana variabel respon lebih dari
dua kategori dan skala pengukuran bersifat tingkatan
16
Tujuan Menggunakan Regresi
Logistik
• Dapat digunakan untuk menghitung peluang responden diluar
responden yang termasuk dalam penelitian.
• Digunakan untuk melihat perbedaan karakteristik antara 2 kelompok.
• Tujuan ketiga ini merupakan pengembangan dari tujuan kedua, peneliti
mampu mengetahui faktor yang mempengaruhi mengapa terdapat
perbedaan antara kedua kelompok tersebut.
17
Model Persamaan Regresi Logistik
• Y = B0 + B1X + e. Dimana e adalah error varians atau residual. Dengan
model regresi ini, tidak menggunakan interpretasi yang sama seperti halnya
persamaan regresi linear.
Berikut persamaannya:
18
• Sedangkan P Aksen adalah probabilitas logistik yang didapat rumus
sebagai berikut:
19
Contoh cara membuat persamaan
Hasil interpretasi nilai logistic regression adalah sebagai berikut:
B0 = -4.2
B1 = 2.3
Variabel independen yang diproses adalah : IP semester 1 mahasiswa
dengan variabel dependennya : 0 berarti lulus lebih atau sama dengan 4
tahun, nilai 1 berarti lulus kurang dari 4 tahun.
Jika IP semester 1 seorang mahasiswa adalah 3, maka berapa peluang
mahasiswa tersebut untuk lulus kurang dari 4 tahun?
20
Tentukan persamaannya yakni :
p = e(B0+B1X) / (1+ e(B0+B1X) )
p = e(-4.2+2.3(3)) / (1+ e(-4.2+2.3(3)))
p = 0.94
Peluang mahasiswa tersebut untuk lulus kurang dari 4 tahun adalah
0.94%. Dengan cara yang sama, mahasiswa yang memiliki IP semester 1 =
2, memiliki peluang lulus kurang dari 4 tahun sebesar 0.59%.
21
37