Faktor-Faktor Yang Mempengaruhi Produksi Perikanan Laut Kabupaten Langkat menggunakan Regresi Linier Berganda

BAB 2

LANDASAN TEORI

2.1 Pengertian Regresi
Istilah regresi pertama kali digunakan oleh Francis Galton. Dalam papernya yang
terkenal

Galton

menemukan

bahwa

meskipun

terdapat

tendensi

atau

kecenderungan bahwa orang tua yang tinggi akan mempunyai anak yang tinggi
dan orang tua yang pendek akan mempunyai anak yang pendek juga, tetapi ratarata tinggi badan anak yang lahir dari orang tua dengan tinggi badan tertentu
cenderung bergerak atau regress ke arah rata-rata tinggi badan anak seluruh
populasi tersebut (Hakim Abdul, 2004).
Menurut Mason (1996, Hal 490), pengertian dari analisis regresi adalah
suatu model matematis yang dapat digunakan untuk mengetahui pola hubungan
antara dua variabel atau lebih yaitu variabel bebas dan variabel terikat. Variabel
bebas adalah variabel yang nilai-nilainya tidak bergantung pada variabel lainnya,
biasanya disimbolkan dengan X. Variabel ini digunakan untuk meramalkan atau
menerangkan nilai dari variabel yang lain. Variabel terikat adalah variabel yang
nilai-nilainya bergantung pada variabel lainnya, biasanya disimbolkan dengan Y.
Variabel itu merupakan variabel yang diramalkan atau menerangkan nilainya
(Hasan, 1999).

2.2 Pengertian Analisis Regresi Linier
Dalam ilmu statistika, teknik yang umum digunakan untuk menganalisis
hubungan antara dua atau lebih variabel adalah analisa regresi.Model matematis
dalam menjelaskan hubungan antara variabel dalam analisis regresi menggunakan
persamaan regresi.

Prinsip dasar yang harus dipenuhi dalam membangun suatu persamaan
regresi adalah bahwa antara variabel terikat dengan variabel bebas mempunyai
sifat hubungan sebab akibat.Analisis regresi linier digunakan untuk:
1. Menentukan hubungan fungsional antar variabel terikat dengan bebas.
Hubungan fungsional ini dapat disebut sebagai persamaan garis regresi
yang berbentuk linier.
2. Meramalkan atau menduga nilai dari satu variabel dalam hubungannya
dengan variabel lain yang diketahui melalui persamaan garis regresinya.
Analisis regresi terdiri dari dua bentuk yaitu:
1. Analisis Regresi Linier Sederhana
2. Analisis Regresi Linier Berganda
Analisis regresi linier sederhana adalah bentuk regresi dengan model yang
bertujuan untuk mempelajari hubungan antara dua variabel, yakni variabel terikat
dan variabel bebas.Sedangkan analisis regresi linier berganda adalah bentuk
regresi dengan model yang memiliki hubungan antara satu variabel terikat dengan
dua atau lebih variabel bebas.

Variabel terikat yaitu variabel yang disebabkan atau dipengaruhi oleh
adanya variabel bebas.Besarnya perubahan pada variabel terikat ini tergantung

dari besaran variabel bebas. Variabel bebasakan memberi peluang kepada
perubahan variabel terikat yaitu sebesar koefisien (besaran) perubahan dalam
variabel bebas. Maksudnya, setiap kali terjadi perubahan sekian satuan pada
variabel bebas, maka diharapkan akan mengakibatkan perubahan variabel terikat
sekian satuan juga.

Jika X 1 , X 2 ,..., X n adalah variabel-variabel bebas dan Y adalah variabel
terikat maka terdapat hubungan fungsional antar X dan Y. Jika dibuat secara
matematis hubungan ini dapat dijabarkan sebagai berikut:
di mana:

Y = Variabel terikat
X = Variabel bebas
e = Variabel residu (disturbance’s error)

Berkaitan dengan analisi regresi ini, setidaknya ada empat kegiatan yang
lazim dilaksanakan yakni:
1. Mengadakan estimasi terhadap parameter berdasarkan data empiris.
2. Menguji seberapa besar variasi variabel terikat dapat diterangkan oleh
variasi bebas.

3. Menguji apakah estimasi parameter tersebut signifikan atau tidak.
4. Melihat apakah tanda magnitude dari estimasi parameter cocok dengan
teori.

2.2.1 Analisis Regresi Linier Sederhana
Regresi linier sederhana digunakan untuk memperkirakan hubungan antara dua
variabel di mana hanya terdapat satu variabel bebas dan satu variabel terikat.
Dalam bentuk persamaan, model regresi sederhana adalah:

Y=a+bX

(2.1)

di mana:

Y

= variabel terikat

X

= variabel bebas

a

= konstanta atau penduga bagi intersep

b

= penduga bagi koefisien regresi

Penggunaan regresi linier sederhana didasarkan pada asumsi diantaranya sebagai
berikut:
1. Model regresi harus linier dalam parameter.
2. Variabel bebas tidak berkorelasi dengan disturbance’s error.
3. Nilai disturbance’s errorterbesar 0 atau dengan simbol (E(U/ X )) = 0.
4. Varian untuk masing-masing error term (kesalahan) konstan.
5. Tidak terjadi auto korelasi.

6. Model regresi dispesifikasi secara benar dan tidak terdapat bias spesifik

dalam model.
7. Jika variabel bebas lebih dari satu maka antara variabel tidak ada
hubungan linier yang nyata.
2.2.2 Analisis Regresi Linier Berganda
Untukmemperkirakan nilai variabel terikatakan lebih baik apabila ikut
memperhitungkan variabel-variabel bebas lain yang ikut mempengaruhi nilai Y.
Dengan demikian hubungan antara satu variabel terikat Y dengan beberapa
variabel bebas X 1 , X 2 ,..., X n untuk itulah digunakan regresi linier berganda.
Dalam pembahasan mengenai regresi sederhana, simbol yang digunakan untuk
variabel bebasnyaadalah X . Dalam persamaan regresinya memiliki lebih dari satu
variabel bebas maka perlu menambah tanda bilangan pada setiap variabel tersebut.

Dalam penelitian ini digunakan empat variabel yang terdiri dari satu
variabel terikat Y dan tiga variabel bebas X yaitu X 1 , X 2 , X 3 . Maka persamaan
regresi linier bergandanya adalah:
Y=
bo + b1 X 1 + b2 X 2 + b3 X 3 (2.2)
Λ

Maka persamaan di atas dapat diselesaikan dengan:

ΣY = bo n + b1ΣX 1 + b2 ΣX 2 + b3ΣX 3

(2.3)

∑ YX 1 =
b0 ∑ X 1 + b1 ∑ X + b2 ∑ X 1 X 2 + b3 ∑ X 1 X 3
2
1

∑ YX 2 =
b0 ∑ X 2 + b1 ∑ X 1 X 2 + b2 ∑ X 22 + b3 ∑ X 2 X 3

∑ YX 3 =
b0 ∑ X 3 + b1 ∑ X 1 X 3 + b2 ∑ X 2 X 3 + b3 ∑ X 32

(2.4)

(2.5)
(2.6)

2.3 Pengertian Uji Keberartian Regresi
Sebelum persamaan regresi digunakan terlebih dahulu diperiksa setidak-tidaknya
mengenai kelinearan dan keberartiannya.Pemeriksaan ini ditempuh melalui
pengujian hipotesis.Uji keberartian dilakukan untuk menyakinkan diri apakah

regresi yang didapat berdasarkan penelitian ada artinya bila dipakai untuk
mengetahui hubungan antara variabel terikat dengan variabel bebas.

Untuk itu diperlukan dua macam jumlah kuadrat (JK) yaitu jumlah kuadrat
untuk regresi yang ditulis JKreg dan jumlah kuadrat untuk sisa (residu) yang ditulis
dengan JKres.
Jika x1 = X 1 − X 1 , x2 = X 2 − X 2 , ... , xn = X n − X n dan y = Y − Y
Maka secara umum jumlah kuadrat-kuadrat tersebut dapat dihitung dari:
JK reg = b1 ∑ yx1 + b2 ∑ y x2 + b3 ∑ y x3

(2.7)

Dengan derajat kebebasan dk = (n-k-1) untuk sampel berukuran n.
Dengan demikian uji keberartian regresi linier berganda dapat dihitung dengan:

JK reg
Fhitung =

k
JK res
(n − k − 1)

(2.8)

di mana statistika F yang menyebar mengikuti distribusi F dengan derajat
kebebasan pembilang V1 = k dan penyebut V2 = n-k-1

2.4 Pengujian Hipotesis
Pengujian hipotesis dapat didasarkan dengan menggunakan dua hal yaitu: tingkat
signifikansi atau probabilitas (α) dan tingkat kepercayaan. Tingkat signifikansi
pada umumnya orang menggunakan 0,05. Kisaran tingkat signifikansi mulai dari
0,01 sampai dengan 0,1. Tingkat kepercayaan pada umumnya sebesar 95% di
mana nilai sampel akan mewakili nilai populasi. Dalam melakukan hipotesis
terdapat dua jenis hipotesis yaitu:
H o (hipotesis nol) dan H a (hipotesis alternative). H o bertujuan memberikan usulan

dugaan kemungkinan tidak adanya perbedaan antara perkiraan penelitian dengan
keadaan sesungguhnya. H a bertujuan memberikan usulan adanya
perbedaan antara perkiraan penelitian dengan keadaan sesungguhnya.

Pembentukan suatu hipotesis memerlukan teori-teori maupun hasil
penelitian terlebih dahulu sebagai pendukung pernyataan hipotesis yang
diusulkan.Dalam membentuk hipotesis ada beberapa hal yang dipertimbangkan:
1. Hipotesis nol dan hipotesis alternative yang diusulkan
2. Daerah penerimaan dan penolakan serta teknik arah pengujian (one tailed
or two tailed)
3. Penentuan nilai hitung statistik
4. Menarik kesimpulan apakah menerima atau menolak hipotesis yang
diusulkan dalam uji keberartian regresi.
Langkah-langkah yang dibutuhkan untuk pengujian hipotesis antara lain:
H o= β o= β1= ...= β n= 0

Tidak terdapat hubungan fungsional yang signifikan antara variabel bebas
dengan variabel terikat
H a : Minimal satu parameter koefisien regresi β n yang ≠ 0 terdapat
hubungan fungsional yang signifikan antara variabel bebas dengan vaiabel

terikat
1) Pilih taraf α yang diinginkan
2) Hitung statistik Fhitungdengan menggunakan persamaan
3) Nilai Ftabel menggunakan tabel daftar F dengan taraf signifikan α
4) Kriteria pengujian:

Jika Fhitung > Ftabel maka H o ditolak dan H a diterima

Jika Fhitung ≤ Ftabel maka H o diterima dan H a ditolak

2.5 Pengertian Koefisien Determinasi
Koefisien determinasi yang disimbolkan dengan R2 bertujuan untuk mengetahui
seberapa besar kemampuan variabel bebas menjelaskan variabel terikat. Nilai R2
dikatakan baik jika berada diatas 0,5 karena nilai R2 berkisar 0 sampai 1. Pada
umumnya nilai regresi linier berganda dapat dikatakan layak dipakai untuk

penelitian, karena sebagian besar variabel terikatdijelaskan oleh variabel bebas
yang digunakan dalam model.Koefisien determinasi dapat dihitung dari:
R 2 = b1 ∑ y x1 + b2 ∑ y x2 + ... + bn ∑ yX n
Sehingga rumus umum koefisien deteminasi yaitu:
R2 =

JK reg

∑in=1 y 2

(2.9)

Harga R 2 diperoleh sesuai dengan variasi yang dijelaskan oleh masing-masing
variabel yang tinggal dalam regresi.Hal ini mengakibatkan variasi yang dijelaskan
penduga hanya disebabkan oleh variabel yang berpengaruh saja.

2.6Uji Korelasi
Ujikorelasi bertujuan untuk menguji hubungan antara dua variabel yang tidak
menunjukkan hubungan fungsional (berhubungan bukan berarti disebabkan).Uji
korelasi tidak membedakan jenis variabel (tidak ada variabel terikat maupun
variabel bebas).Keeratan hubungan ini dinyatakan dalam bentuk koefisien
korelasi. Uji koefisien terdiri dari Pearson, Spearman, dan Kendall. Jika sampel
data lebih dari 30 (sampel besar) dan kondisi data normal, sebaiknya
menggunakan korelasi Pearson (karena memenuhi asumsi parametrik).Jika jumlah
sampel kurang dari 30 (sampel kecil) dan kondisi data tidak normal maka
sebaiknya menggunakan korelasi Spearman atau Kendall (karena memenuhi
asumsi non-parametrik).

2.6.1 Pengertian Koefisien Korelasi
Nilai koefisien korelasi merupakan nilai yang digunakan untuk mengukur
keeratan suatu hubungan antar variabel. Koefisien korelasi biasanya disimbolkan
dengan r.Koefisien korelasi antar variabel bebas dan terikat dapat dirumuskan
sebagai berikut:

ryxi =

n∑ X iY − (∑ X i )(∑ Y )

{n∑ X i2 − (∑ X i ) 2 }{n∑ Y 2 − (∑ Y ) 2 }

(2.10)

Untuk menghitug koefisien korelasi antara variabel terikat Y dengan
yaitu:
variabelbebas X 1 , X 2 , X 3
n∑ X 1Y − (∑ X 1 )(∑ Y )

(2.11)

n∑ X 2Y − (∑ X 2 )(∑ Y )

(2.12)

n∑ X 3Y − (∑ X 3 )(∑ Y )

(2.13)

1. Koefisien korelasi antara Y dengan X1
ry1 =

{n∑ X 12 − (∑ X 1 ) 2 }{n∑ Y 2 − (∑ Y ) 2 }

2. Koefisien korelasi antara Y dengan X2
ry 2 =

{n∑ X 22 − (∑ X 2 ) 2 }{n∑ Y 2 − (∑ Y ) 2 }

3. Koefisien korelasi antara Y dengan X3
ry 3 =

{n∑ X 32 − (∑ X 3 ) 2 }{n∑ Y 2 − (∑ Y ) 2 }

Koefisien korelasi antar variabel bebas dapat dirumuskan sebagai berikut:
rxi xi =

n∑ X i X i − (∑ X i )(∑ X i )

{n∑ X i2 − (∑ X i ) 2 }{n∑ X i2 − (∑ X i ) 2 }

(2.14)

Untuk menghitug koefisien korelasi antara variabel bebas X1, X2, X3yaitu:
n∑ X 1 X 2 − (∑ X 1 )(∑ X 2 )

1. Koefisien korelasi antara X1dengan X2
r12 =

{n∑ X 12 − (∑ X 1 ) 2 }{n∑ X 22 − (∑ X 2 ) 2 }

2. Koefisien korelasi antara X1 dengan X3

(2.15)

r13 =

n∑ X 1 X 3 − (∑ X 1 )(∑ X 3 )

(2.16)

n∑ X 2 X 3 − (∑ X 2 )(∑ X 3 )

(2.17)

{n∑ X 12 − (∑ X 1 ) 2 }{n∑ X 32 − (∑ X 3 ) 2 }

3. Koefisien korelasi antara X2 dengan X3
r23 =

{n∑ X 22 − (∑ X 2 ) 2 }{n∑ X 32 − (∑ X 3 ) 2 }

Koefisien korelasi memiliki nilai antara -1 hingga +1. Sifat nilai koefisien korelasi
adalah plus (+) atau minus (-) yang menunjukkan arah korelasi.
Makna sifat korelasi:
1) Tanda positif (+) pada koefisien korelasi menunjukkan hubungan yang
searah (korelasi positif). Artinya jika suatu nilai variabel mengalami
kenaikan maka nilai variabel yang lain juga mengalami kenaikan dan
demikian juga sebaliknya.
2) Tanda negatif (-) pada koefisien korelasi menunjukkan hubungan yang
berlawan arah (korelasi negatif). Artinya jika suatu nilai variabel
mengalami kenaikan maka nilai variabel yang lain mengalami penurunan
dan demikian juga sebaliknya.
Untuk memudahkan mengetahui bagaimana sebenarnya derajat keeratan antara
variabel-variabel tersebut, dapat dikelompokan sebagai berikut:
R

Interpretasi

0

Tidak berkorelasi

0,01 – 0,20

Sangat lemah

0,21 – 0,40

Lemah

0,41 – 0,60

Cukup

0,61 – 0,80

Kuat

0,81 – 0,99

Sangat Kuat

1

Sempurna

2.7 Pengertian Uji Koefisien Regresi Linier Berganda
Untuk mengetahui bagaimana keberartian setiap variabel bebas dalam regresi,
perlu diadakan pengujian tersendiri mengenai koefisien-koefisien regresi.
Misalkan populasi memiliki model regresi linier berganda:

µ y, X , X
1

2 ,..., X n

= β 0 + β1 X 1 + β 2 X 2 + ... + β n X n

Yang berdasarkan rumus (2.2) sebuah sampel acak berukuran n ditaksir oleh
regresi berbentuk:

Yˆ = b0 + b1 X 1 + b2 X 2 + ... + bn X n

Akan dilakukan pengujian hipotesis dalam bentuk:
H o : β1 = 0 ; i = 1, 2,..., n

H a : β1 ≠ 0 ; i = 1, 2,..., n

Untuk menguji hipotesis ini digunakan kekeliruan baku taksiran Sy 1,2,...,n jumlah
kuadrat-kuadrat Σxi2 dengan xi = X i − X i dan koefisien korelasi ganda antara
masing-masing variabel bebas X dengan variabel terikat Y dalam regresi yaitu
R.Dengan besaran-besaran ini dibentuk kekeliruan baku koefisien b yakni:
Sbi =

s y2.1,2,...,n

(Σxi2 )(1 − Ri2 )

di mana:

s y2.1,2,...,n =

Σ(Yi − Y ) 2
n − k −1

Σxi2 = X i − X i

R2 =

JK reg

∑in=1 y 2

(2.18)

Selanjutnya dihitung statistik:
thitung =

bi
(2.19)
sbi

Dengan kriteria pengujian:

Jika thitung > ttabel maka H o ditolak dan H a diterima

Jika thitung ≤ ttabel maka H o diterima dan H a ditolak

yang berdistribusi t dengan derajat kebebasan dk = (n-k-1) dan ttabel = tn − k −1,α /2