Analisis Regresi

Layanan Olah Data dan Analisa Data Statistik

Penerapan Analisis Regresi Linier

Posted at March 6, 2013 | By : | Categories : Analisis Regresi | 7 Comments

Analisis Regresi linier adalah metode statistika yang digunakan untuk membentuk model hubungan antara variabel terikat/dependen (Y) dengan satu atau lebih variabel bebas/independen( X). Berdasarkan banyaknya variabel bebas yang ada dalam model, Regresi linear dibagi menjadi 2 jenis yaitu : regresi linear sederhana dan regresi linear berganda. Apabila banyaknya variabel bebas (X) hanya ada satu, maka disebut sebagai regresi linier sederhana.Sedangkan apabila terdapat lebih dari 1 variabel bebas (X) maka disebut sebagai regresi linier berganda.

Di dalam suatu model regresi terdapat beberapa nilai koefisien. Koefisie pada model regresi tersebut, pada dasarnya merupakan nilai duga parameter di dalam model regresi, untuk kondisi yang sebenarnya (true condition). Koefisien dalam regresi dapat dibedakan menjadi 2 macam, yaitu:

1. Intersep (intercept)

         Secara matematis intersep merupakan suatu titik perpotongan antara suatu garis dengan sumbu Y pada diagram/sumbu kartesius pada saat nilai X = 0. Sedangkan secara statistika, nilai intersep merupakan nilai rata-rata pada variabel Y apabila nilai pada variabel X bernilai 0. Dengan katalain, apabila variabel X tidak memberikan kontribusi terhadap variabel dependen (Y), maka secara rata-rata nilai dari variabel Y akan adalah sebesar intersep tersebut. Perlu ditekankan bahwa 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, maka intersep tidak memiliki makna yang berarti, sehingga tidak perlu diinterpretasikan.

2. Slope

         Secara matematis slope merupakan ukuran kemiringan dari suatu garis. Dalam suatu persamaan regresi, slope merupakan koefisien regresi untuk variabel bebas (X). 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 (tergantung tanda dari koefisien +/-) yang terjadi pada variabel Y, untuk setiap peningkatan satu satuan variabel X.

>> Contoh model regresi :

        Y  =  30.093 + 0.596 X + e

Pada persamaan regresi di atas, angka 30.093 merupakan intersep dan angka 0.596 merupakan slope,sedangkan e merupakan error. Di dalam konsep regresi linier, error adalah semua hal yang mungkin mempengaruhi variabel terikat (Y) yang tidak diamati oleh peneliti (tercakup dalam variabel diluar variabel penelitian).

>> Contoh Kasus :

Seorang peneliti ingin meneliti tentang seberapa besar pengaruh Kenyamanan Tempat Berbelanja terhadap Minat Beli Konsumen. Misalkan dari hasil perhitungan diperoleh persamaan regresi sebagai berikut:

        Y  =  30.093 + 0.596 X + e

 Keterangan :

         X  : Kenyamanan Tempat Berbelanja

         Y  : Minat Beli Konsumen

Dari persamaan diatas dapat dilihat bahwa koefisien regresi dari variabel Kenyamanan Tempat Berbelanja (X) adalah positif dengan nilai 0,596. Dengan kata lain jika variabel X dinaikan 1 satuan, maka nilai dari variabel Y akan naik sebesar 0, 596. Tanda positif menunjukan bahwa pergerakan nilai dari variabel X dan Y adalah searah.Sehingga jika semakin tinggi tingkat kenyamanan suatu tempat berbelanja, maka minat beli konsumen juga akan meningkat.

Dalam kasus ini, karena data penilaian persepsi terhadap tingkat kenyamanan suatu tempat berbelanja (X) tidak memuat angka nol, maka nilai intersep dikatakan tidak memiliki makna yang berarti, sehingga tidak perlu diinterpretasikan.

 

About Admin

Admin merupakan owner dari Peta Data Consulting, bergerak pada bidang Jasa Konsultasi Statistik yang meliputi Olah Data dan Training Statistik bagi mahasiswa yang sedang mengerjakan Skripsi/Thesis/Penelitian maupun bagi perusahaan yang membutuhkan Jasa Survei atau Pengolahan Data.

Comment

  • Tomi

    March 27, 2013 at 8:05 am

    Dulu ada penelitian ekmsaripentel dengan hipotesis sebagai berikut:Semakin terang nyala lampu, maka kinerja karyawan akan semakin termotivasi.Eksperimen pun dilakukan:[1] pertama nyala lampu redup, lalu dilihat kinerjanya[2] lampu dijadikan lebih terang, ternyata kinerjanya meningkat[3] lampu dijadikan lebih terang lagi, kinerja juga meningkat[4] lampu diredupkan, seharusnya kinerja menurun, tetapi kinerja tetap meningkatDalam riset ini, hipotesis DITOLAK!!!Tetapi, ternyata penelitian ini malah mengeluarkan TEORI BARU. Ternyata, karyawan merasa dimainkan\’ dan mereka takut, sehingga mereka bekerja sungguh-sungguh. Selain itu juga ada yang namanya learning curve.Kalo ga salah, dari riset ini dikembangkan teori tentang Locus of Control dan tentang Hofstede theory.Kalo salah maaf, saya juga lupa tepatnya bagaimana.Tetapi yang pasti, dari hipotesis yang ditolak tersebut berhasil menjadi TEORI YANG MELEGENDA.Sebagai info tambahan, banyak juga penemuan2x hebat di dunia yang dihasilkan karena hipotesis yang ditolak.So, why not?!Hipotesis ditolak = ga masalah, yang jangan adalah manipulasi data agar hipotesis diterima.Berikan saja alasan yang logis dan masuk akal, kalo perlu didukung teori, mengapa hipotesis Anda ditolak.Semoga membantu.Good luck.

  • Admin

    March 27, 2013 at 8:42 am

    @Tomi: Terimakasih sudah sharing :)

    Sekiranya yang perlu digarisbawahi bagi semua adalah:

    “Hipotesis ditolak = ga masalah, yang jangan adalah manipulasi data agar hipotesis diterima.Berikan saja alasan yang logis dan masuk akal, kalo perlu didukung teori, mengapa hipotesis Anda ditolak”

    So bagi semuanya, jangan terburu “takut” kalau hipotesis Anda tidak ditolak :)

  • Hera Waty

    December 12, 2013 at 5:47 am

    Mau tanya dong perbedaan uji hipotesis uji t dengan anova itu apa

    • Admin

      December 13, 2013 at 6:40 am

      Apabila yang dimaksud adalah pada uji hipotesis koefisien regresi, Uji F (output tabel anova) adalah untuk menguji pengaruh antara variabel X terhadap variabel Y secara simultan (bersama-sama) dan untuk uji T adalah untuk menguji pengaruh antara variabel X terhadap variabel Y secara parsial.

      Misal kita meiliki persamaan regresi yang melibatkan X1,X2 dan Y. Untuk uji F adalah melihat ada/tidaknya pengaruh antara variabel X1 dan X2 secara bersama-sama terhadap variabel Y. Sedangkan uji T adalah untuk melihat pengaruh parsial, yaitu:
      1. Pengaruh antara variabel X1 terhadap Y
      2. Pengaruh antara variabel X2 terhadap Y

      Semoga membantu :)

  • Dedeh mardiyah

    April 26, 2014 at 11:48 pm

    mau tanya, kalau pada model ekonometrika dengan variabel prediktornya adalah 4 kuantitaif dan 1 variabel dummy dengan dua kategori yaitu sebelum krisis dan sesudah krisis ekonomi. analisis apa yang sesuai? ANCOVA atau ANOVA? apakah ANCOVA hanya untuk jenis data experiment? mohon jawabannya. terimakasih.

  • ariskha nurdiana

    January 8, 2017 at 12:58 pm

    Dengan kata lain jika variabel X dinaikan 1 satuan, maka nilai dari variabel Y akan naik sebesar 0, 596.

    pertanyaan saya kenapa bisa dikatakan dinaikkan satu satuan? dan apakah sama jika nilai satu satuan itu diganti dengan dinaikan 1% ?

  • Nur Anisah

    January 19, 2017 at 10:01 am

    Minta sumber pustaka boleh ? penting terimaksih

Leave a Comment