PENGERTIAN REGRESI | Karya Tulis Ilmiah PENGERTIAN REGRESI
This page was exported from - Karya Tulis Ilmiah
Export date: Sat Sep 2 18:19:06 2017 / +0000 GMT
PENGERTIAN REGRESI
Lains (2003) mengatakan bahwa istilah regresi dikemukakan untuk pertama kali oleh Francis Galton dalam artikelnya ?Family
Likeness in Stature? pada tahun 1886. Studinya ini menghasilkan apa yang dikenal dengan hukum regresi universal tentang
tingginya anggota suatu masyarakat. Hukum tersebut menyatakan bahwa distribusi tinggi suatu masyarakat tidak mengalami
perubahan yang besar sekali antar generasi. Hal ini dijelaskan Galton berdasarkan fakta yang memperlihatkan adanya
kecenderungan mundurnya (regress) tinggi rata-rata anak dari orang tua dengan tinggi tertentu menuju tinggi rata-rata seluruh
anggota masyarakat. Ini berarti terjadi penyusutan ke arah keadaan sekarang. Tetapi sekarang istilah regresi telah diberikan makna
yang jauh berbeda dari yang dimaksudkan oleh Galton. Secara luas analisis regresi diartikan sebagai suatu analisis tentang
ketergantungan suatu variabel kepada variabel lain yaitu variabel bebas dalam rangka membuat estimasi atau prediksi dari nilai
rata-rata variabel tergantung dengan diketahuinya nilai variabel bebas.Nachrowi dan Usman (2006) menjelaskan bahwa Gauss
Markov telah membuktikan bahwa penduga dalam regresi mempunyai sifat BLUE (best linier unbiased estimate), atau mempunyai
sifat yang linier, tidak bias, dan varians minimum, bila beberapa persyaratan terpenuhi. Manurung et al. (2005) mengatakan bahwa
The Gaussian atau Classical Linear Regression Model (CLRM) membuat 10 asumsi. Asumsi tersebut adalah: (1) model regresi
linier, (2) nilai variabel eksplanatoris tetap pada sampel berulang. Secara teknis variabel bebas diasumsikan nonstochastic, artinya
analisis regresi adalah analisis regresi bersyarat pada nilai regressor tertentu, (3) nilai rata-rata dari disturbance term error ? adalah
nol, (4) homoskedastisitas atau varians ?i sama untuk seluruh observasi, (5) tidak ada otokorelasi antara disturbance term, (6)
kovarians antara disturbance term regressor adalah nol, dengan kata lain disturbance term error dan regressor tidak berkorelasi, (7)
jumlah observasi harus lebih besar dari jumlah parameter yang ditaksir atau jumlah observasi harus lebih besar dari jumlah variabel
eksplanatoris, (8) variabilitas dalam variabel eksplanatoris, artinya nilai variabel bebas harus bervariasi, (9) model regresi
dispesifikasi dengan benar, (10) tidak terdapat multikolinier sempurna.Pengujian normalitas dilakukan untuk menguji apakah dalam
model regresi, variabel independen dan dependen mempunyai distribusi normal atau tidak. Tetapi jika terjadi penyimpangan
terhadap asumsi distribusi normalitas, maka masih tetap menghasilkan penduga koefisien regresi yang linier, tidak berbias dan
terbaik. Penyimpangan asumsi normalitas ini akan semakin kecil pengaruhnya apabila jumlah sampel diperbesar. Salah satu
penyelesaiannya adalah dengan cara mengubah bentuk nilai variabel yang semula nilai absolut ditransformasikan menjadi bentuk
lain (kuadratik, resiprokal dan lain sebagainya) sehingga distribusi menjadi normal. Pengujian normalitas ini biasanya dilakukan
dengan menggunakan rasio skewness yang memperbandingkan antara nilai skewness yang dihasilkan dengan nilai standard error.
Model regresi dianggap berdistribusi normal jika rasio skewness berada pada range antara ?2 hingga +2.Analisis regresi berkenaan
dengan studi ketergantungan suatu variabel, variabel tak bebas, pada satu atau lebih variabel lain, variabel yang menjelaskan
(explanatory variables), dengan maksud menaksir dan atau meramalkan nilai rata-rata hitung (mean) atau rata-rata (populasi)
variabel tak bebas, dipandang dari segi nilai yang diketahui atau tetap variabel yang menjelaskan (Gujarati, 2004).Regresi dalam
statistika adalah salah satu metode untuk menentukan tingkat pengaruh suatu variabel terhadap variabel yang lain. Variabel yang
pertama disebut dengan bermacam-macam istilah: variabel penjelas, variabel eksplanatorik, variabel independen, atau secara bebas,
variabel X (karena seringkali digambarkan dalam grafik sebagai absis, atau sumbu X). Variabel yang kedua adalah variabel yang
dipengaruhi, variabel dependen, variabel terikat, atau variabel Y. Kedua variabel ini dapat merupakan variabel acak (random),
namun variabel yang dipengaruhi harus selalu variabel acak.Analisis regresi adalah salah satu analisis yang paling populer dan luas
pemakaiannya. Hampir semua bidang ilmu yang memerlukan analisis sebab-akibat boleh dipastikan mengenal analisis ini.Analisis
ini pertama kali dipergunakan oleh Karl Pearson, seorang matematikawan dan penyokong ide eugenetika, untuk menganalisis
hubungan antara sifat orang tua dan anaknya.Korelasi dan regresi 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 kausal/sebab-akibat atau hubungan fungsional. Untuk menetapkan apakah
kedua variabel mempunyai hubungan kausal atau tidak, maka harus dilandaskan pada teori atau konsep tentang dua variabel tersebut
(Sugiyono, 2005).Contoh Persamaan Regresi:Y = 2 + 10X ??..(1)Y = variabel respon; X = variabel prediktor/bebas Angka 2 pada
persamaan (1) biasanya disebut sebagai intersep.Sedangkan angka 10 biasanya disebut sebagai slope. Pada umumnya, intersep
diartikan sebagai nilai rata-rata Y bila nilai X sama dengan nol.Sering ditemui di lapangan, para peneliti yang melakukan analisis
data dengan regresi linier, baik sederhana maupun berganda, selalu ?memaksa? untuk menginterpretasikan makna nilai intersep dari
persamaan regresi yang didapatkan. Padahal, intersep tidak selalu dapat diartikan, apalagi jika tidak ada dukungan secara teori
terhadap kasus yang sedang diteliti. Intersep sebenarnya merupakan komponen yang harus muncul agar nilai slope dapat dihitung.
Apabila data pengamatan untuk variabel bebas/prediktor (variabel X) tidak mengikutkan nilai 0 (atau mendekati 0), maka peneliti
perlu berhati-hati dalam memaknai intersep. Apabila tetap dipaksakan untuk memaknai intersep tanpa didukung oleh latar belakang
Output as PDF file has been powered by [ Universal Post Manager ] plugin from www.ProfProjects.com
| Page 1/3 |
This page was exported from - Karya Tulis Ilmiah
Export date: Sat Sep 2 18:19:06 2017 / +0000 GMT
keilmuan untuk kasus yang diteliti, dikuatirkan akan melanggar aturan dari penggunaan persamaan regresi, yaitu bahwa persamaan
regresi tidak dapat digunakan untuk memprediksi nilai variabel respon (variabel Y) secara ekstrapolasi. Hal ini disebabkan karena
kita tidak tahu apakah bentuk hubungan antara variabel respon dan prediktor juga masih berbentuk linier apabila nilai pengamatan
variabel prediktor diperluas hingga mendekati nilai 0. Dalam hal ini, peneliti dituntut memahami secara lebih mendalam mengenai
latar belakang keilmuan dari kasus yang diteliti. Biasanya, secara teoritis, para ahli suatu bidang ilmu telah menjelaskan mengenai
peran intersep dalam ilmu tersebut. Misalnya dalam bidang eonomi, untuk penelitian mengenai biaya, intersep biasanya diartikan
sebagai fixed cost, sedangkan slope diartikan sebagai variabel cost. Dalam kehidupan sehari-hari, seringkali dijumpai hubungan
antara suatu variabel dengan satu atau lebih variabel lain. Di dalam bidang pertanian sebagai contoh, dosis dan jenis pupuk yang
diberikan berhubungan dengan hasil pertanian yang diperoleh, jumlah pakan yang diberikan pada ternak berhubungan dengan berat
badannya, dan sebagainya. Secara umum ada dua macam hubungan antara dua atau lebih variabel, yaitu bentuk hubungan dan
keeratan hubungan. Bila ingin mengetahui bentuk hubungan dua variabel atau lebih, digunakan analisis regresi. Bila ingin
melihat keeratan hubungan, digunakan analisis korelasi.Analisis regresi adalah teknik statistika yang berguna untuk memeriksa
dan memodelkan hubungan diantara variabel-variabel. Penerapannya dapat dijumpai secara luas di banyak bidang seperti teknik,
ekonomi, manajemen, ilmu-ilmu biologi, ilmu-ilmu sosial, dan ilmu-ilmu pertanian. Pada saat ini, analisis regresi berguna dalam
menelaah hubungan dua variabel atau lebih, dan terutama untuk menelusuri pola hubungan yang modelnya belum diketahui dengan
sempurna, sehingga dalam penerapannya lebih bersifat eksploratif.Analisis regresi dikelompokkan dari mulai yang paling sederhana
sampai yang paling rumit, tergantung tujuan yang berlandaskan pengetahuan atau teori sementara, bukan asal ditentukan saja. a.
Regresi Linier Sederhana Regresi linier sederhana bertujuan mempelajari hubungan linier antara dua variabel. Dua variabel ini
dibedakan menjadi variabel bebas (X) dan variabel tak bebas (Y). Variabel bebas adalah variabel yang bisa dikontrol sedangkan
variabel tak bebas adalah variabel yang mencerminkan respon dari variabel bebas.b. Regresi Berganda Regresi berganda seringkali
digunakan untuk mengatasi permasalahan analisis regresi yang melibatkan hubungan dari dua atau lebih variabel bebas. Pada
awalnya regresi berganda dikembangkan oleh ahli ekonometri untuk membantu meramalkan akibat dari aktivitas-aktivitas ekonomi
pada berbagai segmen ekonomi. Misalnya laporan tentang peramalan masa depan perekonomian di jurnal-jurnal ekonomi (Business
Week, Wal Street Journal, dll), yang didasarkan pada model-model ekonometrik dengan analisis berganda sebagai alatnya. Salah
satu contoh penggunaan regresi berganda dibidang pertanian diantaranya ilmuwan pertanian menggunakan analisis regresi untuk
menjajagi antara hasil pertanian (misal: produksi padi per hektar) dengan jenis pupuk yang digunakan, kuantitas pupuk yang
diberikan, jumlah hari hujan, suhu, lama penyinaran matahari, dan infeksi serangga.c. Regresi Kurvilinier Regresi kurvilinier
seringkali digunakan untuk menelaah atau memodelkan hubungan fungsi variabel terikat (Y) dan variabel bebas (X) yang tidak
bersifat linier. Tidak linier bisa diartikan bilamana laju perubahan Y sebagai akibat perubahan X tidak konstan untuk nilai-nilai X
tertentu. Kondisi fungsi tidak linier ini (kurvilinier) seringkali dijumpai dalam banyak bidang. Misal pada bidang pertanian, bisa
diamati hubungan antara produksi padi dengan taraf pemupukan Phospat. Secara umum produksi padi akan meningkat cepat bila
pemberian Phospat ditingkatkan dari taraf rendah ke taraf sedang. Tetapi ketika pemberian dosis Phospat diteruskan hingga taraf
tinggi, maka tambahan dosis Phospat tidak lagi diimbangi kenaikan hasil, sebaliknya terjadi penurunan hasil. Untuk kasus-kasus
hubungan tidak linier, prosedur regresi sederhana atau berganda tidak dapat digunakan dalam mencari pola hubungan dari
variabel-variabel yang terlibat. Dalam hal ini, prosedur analisis regresi kurvilinier merupakan prosedur yang sesuai untuk
digunakan.d.
Regresi Dengan Variabel Dummy (Boneka)Analisis regresi tidak saja digunakan untuk data-data kuantitatif (misal :
dosis pupuk), tetapi juga bisa digunakan untuk data kualitatif (misal : musim panen). Jenis data kualitatif tersebut seringkali
menunjukkan keberadaan klasifikasi (kategori) tertentu, sering juga dikatagorikan variabel bebas (X) dengan klasifikasi pengukuran
nominal dalam persamaan regresi. Sebagai contoh, bila ingin meregresikan pengaruh kondisi kemasan produk dodol nenas terhadap
harga jual. Pada umumnya, cara yang dipakai untuk penyelesaian adalah memberi nilai 1 (satu) kalau kategori yang dimaksud ada
dan nilai 0 (nol) kalau kategori yang dimaksud tidak ada (bisa juga sebaliknya, tergantung tujuannya). Dalam kasus kemasan ini, bila
kemasannya menarik diberi nilai 1 dan bila tidak menarik diberi nilai 0. Variabel yang mengambil nilai 1 dan 0 disebut variabel
dummy dan nilai yang diberikan dapat digunakan seperti variabel kuantitatif lainnya.e.
Regresi Logistik (Logistic Regression)
Bila regresi dengan variabel bebas (X) berupa variabel dummy, maka dikatagorikan sebagai regresi dummy. Regresi logistik
digunakan jika variabel terikatnya (Y) berupa variabel masuk katagori klasifikasi. Misalnya, variabel Y berupa dua respon yakni
gagal (dilambangkan dengan nilai 0) dan berhasil (dilambangkan dengan nilai 1). Kondisi demikian juga sering dikatagorikan
sebagai regresi dengan respon biner. Seperti pada analisis regresi berganda, untuk regresi logistik variabel bebas (X) bisa juga terdiri
lebih dari satu variabel.Regresi linierRegresi linier digunakan untuk memodelkan hubungan sebab akibat antara variabel bebas
dengan variabel respon. Dari namanya saja udah kelihatan, bahwa model hubungan yang dimaksud adalah model hubungan linier.
Contoh: Ingin dicari model regresi antara ?biaya iklan? dengan ?penjualan?. Variabel bebas/prediktor adalah biaya iklan dan
Output as PDF file has been powered by [ Universal Post Manager ] plugin from www.ProfProjects.com
| Page 2/3 |
This page was exported from - Karya Tulis Ilmiah
Export date: Sat Sep 2 18:19:06 2017 / +0000 GMT
variabel respon adalah penjualan. Jadi ingin dicari bagaimanakah model hubungan antara 2 variabel tsb, sehingga bisa diketahui
berapakah nilai penjualan yang akan diperoleh bila perusahaan mengeluarkan biaya iklan sebesar X rupiah.Regresi Linier
BergandaAnalisis regresi merupakan studi dalam menjelaskan dan mengevaluasi hubungan antara suatu peubah bebas (independent
variable) dengan satu peubah tak bebas (dependent variable) dengan tujuan untuk mengestimasi dan atau meramalkan nilai peubah
tak bebas didasarkan pada nilai peubah bebas yang diketahui (Widarjono, 2005). Metode regresi linear berganda dapat digunakan
untuk melihat pengaruh beberapa peubah penjelas atau peubah bebas terhadap satu peubah tak bebas. Metode analisis yang
digunakan dalam penelitian ini adalah analisis regresi linear berganda. Analisis regresi linier berganda digunakan untuk melihat
pengaruh peubah stok karet alam AS, PDB AS, harga karet alam di pasar internasional, dan jumlah kendaraan bermotor di AS
terhadap volume ekspor karet alam Indonesia. Selain itu, analisis regresi linear berganda juga digunakan untuk melihat pengaruh
peubah produksi karet alam Indonesia, impor karet sintetis Indonesia, jumlah kendaraan bermotor di Indonesia, serta kebijakan
pemerintah dalam Kepres no.1 tahun 1986 terhadap konsumsi karet alam Indonesia. Untuk menyatakan kuat tidaknya hubungan
linier antara peubah penjelas dan peubah bebas dapat diukur dari koefisisen korelasi ( coefficient correlation) atau R, dan untuk
melihat besarnya sumbangan (pengaruh) dari peubah bebas terhadap perubahan peubah tak bebas dapat dilihat dari koefisien
determinasi (coefficient of determination) atau R2. Variabel boneka (dummy) adalah variabel yang menjelaskan ada atau tidak
adanya kualitas dengan membentuk variabel buatan yang mengambil nilai 1 atau 0 (Budiani, 2005). Regresi Liear KlasikSetelah
didapatkan model regresi, kita tidak bisa langsung melakukan interpretasi terhadap hasil yang diperoleh. Hal ini disebabkan karena
model regresi harus diuji terlebih dahulu apakah sudah memenuhi asumsi klasik. Apabila ada satu syarat saja yang tidak terpenuhi,
maka hasil analisis regresi tidak dapat dikatakan bersifat BLUE (Best Linear Unbiased Estimator). Asumsi regresi linier klasik
tersebut antara lain adalah:Model regresi dispesifikasikan dengan
benar. Error menyebar normal dengan rataan
nol dan
memiliki suatu ragam (variance) tertentu. Tidak terjadi heteroskedastisitas pada ragam error. Tidak terjadi multikolinieritas antara
peubah bebas. Error tidak mengalami autokorelasi
(error tidak berkorelasi dg dirinya sendiri).
Output as PDF file has been powered by [ Universal Post Manager ] plugin from www.ProfProjects.com
| Page 3/3 |
Export date: Sat Sep 2 18:19:06 2017 / +0000 GMT
PENGERTIAN REGRESI
Lains (2003) mengatakan bahwa istilah regresi dikemukakan untuk pertama kali oleh Francis Galton dalam artikelnya ?Family
Likeness in Stature? pada tahun 1886. Studinya ini menghasilkan apa yang dikenal dengan hukum regresi universal tentang
tingginya anggota suatu masyarakat. Hukum tersebut menyatakan bahwa distribusi tinggi suatu masyarakat tidak mengalami
perubahan yang besar sekali antar generasi. Hal ini dijelaskan Galton berdasarkan fakta yang memperlihatkan adanya
kecenderungan mundurnya (regress) tinggi rata-rata anak dari orang tua dengan tinggi tertentu menuju tinggi rata-rata seluruh
anggota masyarakat. Ini berarti terjadi penyusutan ke arah keadaan sekarang. Tetapi sekarang istilah regresi telah diberikan makna
yang jauh berbeda dari yang dimaksudkan oleh Galton. Secara luas analisis regresi diartikan sebagai suatu analisis tentang
ketergantungan suatu variabel kepada variabel lain yaitu variabel bebas dalam rangka membuat estimasi atau prediksi dari nilai
rata-rata variabel tergantung dengan diketahuinya nilai variabel bebas.Nachrowi dan Usman (2006) menjelaskan bahwa Gauss
Markov telah membuktikan bahwa penduga dalam regresi mempunyai sifat BLUE (best linier unbiased estimate), atau mempunyai
sifat yang linier, tidak bias, dan varians minimum, bila beberapa persyaratan terpenuhi. Manurung et al. (2005) mengatakan bahwa
The Gaussian atau Classical Linear Regression Model (CLRM) membuat 10 asumsi. Asumsi tersebut adalah: (1) model regresi
linier, (2) nilai variabel eksplanatoris tetap pada sampel berulang. Secara teknis variabel bebas diasumsikan nonstochastic, artinya
analisis regresi adalah analisis regresi bersyarat pada nilai regressor tertentu, (3) nilai rata-rata dari disturbance term error ? adalah
nol, (4) homoskedastisitas atau varians ?i sama untuk seluruh observasi, (5) tidak ada otokorelasi antara disturbance term, (6)
kovarians antara disturbance term regressor adalah nol, dengan kata lain disturbance term error dan regressor tidak berkorelasi, (7)
jumlah observasi harus lebih besar dari jumlah parameter yang ditaksir atau jumlah observasi harus lebih besar dari jumlah variabel
eksplanatoris, (8) variabilitas dalam variabel eksplanatoris, artinya nilai variabel bebas harus bervariasi, (9) model regresi
dispesifikasi dengan benar, (10) tidak terdapat multikolinier sempurna.Pengujian normalitas dilakukan untuk menguji apakah dalam
model regresi, variabel independen dan dependen mempunyai distribusi normal atau tidak. Tetapi jika terjadi penyimpangan
terhadap asumsi distribusi normalitas, maka masih tetap menghasilkan penduga koefisien regresi yang linier, tidak berbias dan
terbaik. Penyimpangan asumsi normalitas ini akan semakin kecil pengaruhnya apabila jumlah sampel diperbesar. Salah satu
penyelesaiannya adalah dengan cara mengubah bentuk nilai variabel yang semula nilai absolut ditransformasikan menjadi bentuk
lain (kuadratik, resiprokal dan lain sebagainya) sehingga distribusi menjadi normal. Pengujian normalitas ini biasanya dilakukan
dengan menggunakan rasio skewness yang memperbandingkan antara nilai skewness yang dihasilkan dengan nilai standard error.
Model regresi dianggap berdistribusi normal jika rasio skewness berada pada range antara ?2 hingga +2.Analisis regresi berkenaan
dengan studi ketergantungan suatu variabel, variabel tak bebas, pada satu atau lebih variabel lain, variabel yang menjelaskan
(explanatory variables), dengan maksud menaksir dan atau meramalkan nilai rata-rata hitung (mean) atau rata-rata (populasi)
variabel tak bebas, dipandang dari segi nilai yang diketahui atau tetap variabel yang menjelaskan (Gujarati, 2004).Regresi dalam
statistika adalah salah satu metode untuk menentukan tingkat pengaruh suatu variabel terhadap variabel yang lain. Variabel yang
pertama disebut dengan bermacam-macam istilah: variabel penjelas, variabel eksplanatorik, variabel independen, atau secara bebas,
variabel X (karena seringkali digambarkan dalam grafik sebagai absis, atau sumbu X). Variabel yang kedua adalah variabel yang
dipengaruhi, variabel dependen, variabel terikat, atau variabel Y. Kedua variabel ini dapat merupakan variabel acak (random),
namun variabel yang dipengaruhi harus selalu variabel acak.Analisis regresi adalah salah satu analisis yang paling populer dan luas
pemakaiannya. Hampir semua bidang ilmu yang memerlukan analisis sebab-akibat boleh dipastikan mengenal analisis ini.Analisis
ini pertama kali dipergunakan oleh Karl Pearson, seorang matematikawan dan penyokong ide eugenetika, untuk menganalisis
hubungan antara sifat orang tua dan anaknya.Korelasi dan regresi 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 kausal/sebab-akibat atau hubungan fungsional. Untuk menetapkan apakah
kedua variabel mempunyai hubungan kausal atau tidak, maka harus dilandaskan pada teori atau konsep tentang dua variabel tersebut
(Sugiyono, 2005).Contoh Persamaan Regresi:Y = 2 + 10X ??..(1)Y = variabel respon; X = variabel prediktor/bebas Angka 2 pada
persamaan (1) biasanya disebut sebagai intersep.Sedangkan angka 10 biasanya disebut sebagai slope. Pada umumnya, intersep
diartikan sebagai nilai rata-rata Y bila nilai X sama dengan nol.Sering ditemui di lapangan, para peneliti yang melakukan analisis
data dengan regresi linier, baik sederhana maupun berganda, selalu ?memaksa? untuk menginterpretasikan makna nilai intersep dari
persamaan regresi yang didapatkan. Padahal, intersep tidak selalu dapat diartikan, apalagi jika tidak ada dukungan secara teori
terhadap kasus yang sedang diteliti. Intersep sebenarnya merupakan komponen yang harus muncul agar nilai slope dapat dihitung.
Apabila data pengamatan untuk variabel bebas/prediktor (variabel X) tidak mengikutkan nilai 0 (atau mendekati 0), maka peneliti
perlu berhati-hati dalam memaknai intersep. Apabila tetap dipaksakan untuk memaknai intersep tanpa didukung oleh latar belakang
Output as PDF file has been powered by [ Universal Post Manager ] plugin from www.ProfProjects.com
| Page 1/3 |
This page was exported from - Karya Tulis Ilmiah
Export date: Sat Sep 2 18:19:06 2017 / +0000 GMT
keilmuan untuk kasus yang diteliti, dikuatirkan akan melanggar aturan dari penggunaan persamaan regresi, yaitu bahwa persamaan
regresi tidak dapat digunakan untuk memprediksi nilai variabel respon (variabel Y) secara ekstrapolasi. Hal ini disebabkan karena
kita tidak tahu apakah bentuk hubungan antara variabel respon dan prediktor juga masih berbentuk linier apabila nilai pengamatan
variabel prediktor diperluas hingga mendekati nilai 0. Dalam hal ini, peneliti dituntut memahami secara lebih mendalam mengenai
latar belakang keilmuan dari kasus yang diteliti. Biasanya, secara teoritis, para ahli suatu bidang ilmu telah menjelaskan mengenai
peran intersep dalam ilmu tersebut. Misalnya dalam bidang eonomi, untuk penelitian mengenai biaya, intersep biasanya diartikan
sebagai fixed cost, sedangkan slope diartikan sebagai variabel cost. Dalam kehidupan sehari-hari, seringkali dijumpai hubungan
antara suatu variabel dengan satu atau lebih variabel lain. Di dalam bidang pertanian sebagai contoh, dosis dan jenis pupuk yang
diberikan berhubungan dengan hasil pertanian yang diperoleh, jumlah pakan yang diberikan pada ternak berhubungan dengan berat
badannya, dan sebagainya. Secara umum ada dua macam hubungan antara dua atau lebih variabel, yaitu bentuk hubungan dan
keeratan hubungan. Bila ingin mengetahui bentuk hubungan dua variabel atau lebih, digunakan analisis regresi. Bila ingin
melihat keeratan hubungan, digunakan analisis korelasi.Analisis regresi adalah teknik statistika yang berguna untuk memeriksa
dan memodelkan hubungan diantara variabel-variabel. Penerapannya dapat dijumpai secara luas di banyak bidang seperti teknik,
ekonomi, manajemen, ilmu-ilmu biologi, ilmu-ilmu sosial, dan ilmu-ilmu pertanian. Pada saat ini, analisis regresi berguna dalam
menelaah hubungan dua variabel atau lebih, dan terutama untuk menelusuri pola hubungan yang modelnya belum diketahui dengan
sempurna, sehingga dalam penerapannya lebih bersifat eksploratif.Analisis regresi dikelompokkan dari mulai yang paling sederhana
sampai yang paling rumit, tergantung tujuan yang berlandaskan pengetahuan atau teori sementara, bukan asal ditentukan saja. a.
Regresi Linier Sederhana Regresi linier sederhana bertujuan mempelajari hubungan linier antara dua variabel. Dua variabel ini
dibedakan menjadi variabel bebas (X) dan variabel tak bebas (Y). Variabel bebas adalah variabel yang bisa dikontrol sedangkan
variabel tak bebas adalah variabel yang mencerminkan respon dari variabel bebas.b. Regresi Berganda Regresi berganda seringkali
digunakan untuk mengatasi permasalahan analisis regresi yang melibatkan hubungan dari dua atau lebih variabel bebas. Pada
awalnya regresi berganda dikembangkan oleh ahli ekonometri untuk membantu meramalkan akibat dari aktivitas-aktivitas ekonomi
pada berbagai segmen ekonomi. Misalnya laporan tentang peramalan masa depan perekonomian di jurnal-jurnal ekonomi (Business
Week, Wal Street Journal, dll), yang didasarkan pada model-model ekonometrik dengan analisis berganda sebagai alatnya. Salah
satu contoh penggunaan regresi berganda dibidang pertanian diantaranya ilmuwan pertanian menggunakan analisis regresi untuk
menjajagi antara hasil pertanian (misal: produksi padi per hektar) dengan jenis pupuk yang digunakan, kuantitas pupuk yang
diberikan, jumlah hari hujan, suhu, lama penyinaran matahari, dan infeksi serangga.c. Regresi Kurvilinier Regresi kurvilinier
seringkali digunakan untuk menelaah atau memodelkan hubungan fungsi variabel terikat (Y) dan variabel bebas (X) yang tidak
bersifat linier. Tidak linier bisa diartikan bilamana laju perubahan Y sebagai akibat perubahan X tidak konstan untuk nilai-nilai X
tertentu. Kondisi fungsi tidak linier ini (kurvilinier) seringkali dijumpai dalam banyak bidang. Misal pada bidang pertanian, bisa
diamati hubungan antara produksi padi dengan taraf pemupukan Phospat. Secara umum produksi padi akan meningkat cepat bila
pemberian Phospat ditingkatkan dari taraf rendah ke taraf sedang. Tetapi ketika pemberian dosis Phospat diteruskan hingga taraf
tinggi, maka tambahan dosis Phospat tidak lagi diimbangi kenaikan hasil, sebaliknya terjadi penurunan hasil. Untuk kasus-kasus
hubungan tidak linier, prosedur regresi sederhana atau berganda tidak dapat digunakan dalam mencari pola hubungan dari
variabel-variabel yang terlibat. Dalam hal ini, prosedur analisis regresi kurvilinier merupakan prosedur yang sesuai untuk
digunakan.d.
Regresi Dengan Variabel Dummy (Boneka)Analisis regresi tidak saja digunakan untuk data-data kuantitatif (misal :
dosis pupuk), tetapi juga bisa digunakan untuk data kualitatif (misal : musim panen). Jenis data kualitatif tersebut seringkali
menunjukkan keberadaan klasifikasi (kategori) tertentu, sering juga dikatagorikan variabel bebas (X) dengan klasifikasi pengukuran
nominal dalam persamaan regresi. Sebagai contoh, bila ingin meregresikan pengaruh kondisi kemasan produk dodol nenas terhadap
harga jual. Pada umumnya, cara yang dipakai untuk penyelesaian adalah memberi nilai 1 (satu) kalau kategori yang dimaksud ada
dan nilai 0 (nol) kalau kategori yang dimaksud tidak ada (bisa juga sebaliknya, tergantung tujuannya). Dalam kasus kemasan ini, bila
kemasannya menarik diberi nilai 1 dan bila tidak menarik diberi nilai 0. Variabel yang mengambil nilai 1 dan 0 disebut variabel
dummy dan nilai yang diberikan dapat digunakan seperti variabel kuantitatif lainnya.e.
Regresi Logistik (Logistic Regression)
Bila regresi dengan variabel bebas (X) berupa variabel dummy, maka dikatagorikan sebagai regresi dummy. Regresi logistik
digunakan jika variabel terikatnya (Y) berupa variabel masuk katagori klasifikasi. Misalnya, variabel Y berupa dua respon yakni
gagal (dilambangkan dengan nilai 0) dan berhasil (dilambangkan dengan nilai 1). Kondisi demikian juga sering dikatagorikan
sebagai regresi dengan respon biner. Seperti pada analisis regresi berganda, untuk regresi logistik variabel bebas (X) bisa juga terdiri
lebih dari satu variabel.Regresi linierRegresi linier digunakan untuk memodelkan hubungan sebab akibat antara variabel bebas
dengan variabel respon. Dari namanya saja udah kelihatan, bahwa model hubungan yang dimaksud adalah model hubungan linier.
Contoh: Ingin dicari model regresi antara ?biaya iklan? dengan ?penjualan?. Variabel bebas/prediktor adalah biaya iklan dan
Output as PDF file has been powered by [ Universal Post Manager ] plugin from www.ProfProjects.com
| Page 2/3 |
This page was exported from - Karya Tulis Ilmiah
Export date: Sat Sep 2 18:19:06 2017 / +0000 GMT
variabel respon adalah penjualan. Jadi ingin dicari bagaimanakah model hubungan antara 2 variabel tsb, sehingga bisa diketahui
berapakah nilai penjualan yang akan diperoleh bila perusahaan mengeluarkan biaya iklan sebesar X rupiah.Regresi Linier
BergandaAnalisis regresi merupakan studi dalam menjelaskan dan mengevaluasi hubungan antara suatu peubah bebas (independent
variable) dengan satu peubah tak bebas (dependent variable) dengan tujuan untuk mengestimasi dan atau meramalkan nilai peubah
tak bebas didasarkan pada nilai peubah bebas yang diketahui (Widarjono, 2005). Metode regresi linear berganda dapat digunakan
untuk melihat pengaruh beberapa peubah penjelas atau peubah bebas terhadap satu peubah tak bebas. Metode analisis yang
digunakan dalam penelitian ini adalah analisis regresi linear berganda. Analisis regresi linier berganda digunakan untuk melihat
pengaruh peubah stok karet alam AS, PDB AS, harga karet alam di pasar internasional, dan jumlah kendaraan bermotor di AS
terhadap volume ekspor karet alam Indonesia. Selain itu, analisis regresi linear berganda juga digunakan untuk melihat pengaruh
peubah produksi karet alam Indonesia, impor karet sintetis Indonesia, jumlah kendaraan bermotor di Indonesia, serta kebijakan
pemerintah dalam Kepres no.1 tahun 1986 terhadap konsumsi karet alam Indonesia. Untuk menyatakan kuat tidaknya hubungan
linier antara peubah penjelas dan peubah bebas dapat diukur dari koefisisen korelasi ( coefficient correlation) atau R, dan untuk
melihat besarnya sumbangan (pengaruh) dari peubah bebas terhadap perubahan peubah tak bebas dapat dilihat dari koefisien
determinasi (coefficient of determination) atau R2. Variabel boneka (dummy) adalah variabel yang menjelaskan ada atau tidak
adanya kualitas dengan membentuk variabel buatan yang mengambil nilai 1 atau 0 (Budiani, 2005). Regresi Liear KlasikSetelah
didapatkan model regresi, kita tidak bisa langsung melakukan interpretasi terhadap hasil yang diperoleh. Hal ini disebabkan karena
model regresi harus diuji terlebih dahulu apakah sudah memenuhi asumsi klasik. Apabila ada satu syarat saja yang tidak terpenuhi,
maka hasil analisis regresi tidak dapat dikatakan bersifat BLUE (Best Linear Unbiased Estimator). Asumsi regresi linier klasik
tersebut antara lain adalah:Model regresi dispesifikasikan dengan
benar. Error menyebar normal dengan rataan
nol dan
memiliki suatu ragam (variance) tertentu. Tidak terjadi heteroskedastisitas pada ragam error. Tidak terjadi multikolinieritas antara
peubah bebas. Error tidak mengalami autokorelasi
(error tidak berkorelasi dg dirinya sendiri).
Output as PDF file has been powered by [ Universal Post Manager ] plugin from www.ProfProjects.com
| Page 3/3 |