BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi - Analisis Beberapa Faktor yang Mempengaruhi Hasil Produksi Kelapa Sawit di PT. Perkebunan Nusantara III Berdasarkan Data Tahun 2010
BAB 2 LANDASAN TEORI
2.1 Pengertian Regresi
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.
Regresi pertama kali dipergunakan sebagai konsep statistika oleh Sir Francis Galton (1822 – 1911). Beliau memperkenalkan model peramalan, penaksiran, atau pendugaan, yang selanjutnya dinamakan regresi, sehubungan dengan penelitiannya terhadap tinggi badan manusia. Galton melakukan suatu penelitian di mana penelitian tersebut membandingkan antara tinggi anak laki-laki dan tinggi badan ayahnya.
Galton menunjukkan bahwa tinggi badan anak laki-laki dari ayah yang tinggi setelah beberapa generasi cenderung mundur (regressed) mendekati nilai tengah populasi. Dengan kata lain, anak laki-laki dari ayah yang badannya sangat tinggi cenderung lebih pendek dari pada ayahnya, sedangkan anak laki-laki dari ayah yang badannya sangat pendek cenderung lebih tinggi dari ayahnya, jadi seolah-seolah semua anak laki-laki yang tinggi dan anak laki-laki yang pendek bergerak menuju kerata-rata tinggi dari seluruh anak laki-laki yang menurut istilah Galton disebut dengan
“regression to mediocrity”. Dari uraian tersebut dapat disimpulkan bahwa pada umumnya tinggi anak mengikuti tinggi orangtuanya.
Istilah “regresi” pada mulanya bertujuan nutuk membuat perkiraan nilai satu variabel (tinggi badan anak) terhadap satu variabel yang lain (tinggi badan orang tua). Pada perkembangan selanjutnya analisis regresi dapat digunakan sebagai alat untuk membuat perkiraan nilai suatu variabel dengan menggunakan beberapa variabel lain yang berhubungan dengan variabel tersebut.
Jadi prinsip dasar yang harus dipenuhi dalam membangun suatu persamaan regresi adalah bahwa antara suatu variabel tidak bebas (dependent variable) dengan variabel-variabel bebas (independent variable) lainnya memiliki sifat hubungan sebab akibat (hubungan kausalitas), baik didasarkan pada teori, hasil penelitian sebelumnya, maupun yang didasarkan pada penjelasan logis tertentu.
2.2 Analisis Regresi Linier
Analisis regresi adalah teknik statistika yang berguna untuk memeriksa dan memodelkan hubungan diantara variabel-variabel. Analisis regresi linier atau regresi garis lurus digunakan untuk : 1.
Menentukan hubungan fungsional antar variabel dependen dengan independen.
Hubungan fungsional ini dapat disebut sebagai persamaan garis regresi yang berbentuk linier.
2. Meramalkan atau menduga nilai dari satu variabel dalam hubungannya dengan variabel yang lain yang diketahui melalui persamaan garis regresinya.
Analisis regresi tediri dari dua bentuk yaitu : 1.
Analisis Regresi Linier Sederhana 2. Analisis Regresi Linier Berganda
Analisis Regresi sederhana adalah bentuk regresi dengan model yang bertujuan untuk mempelajari hubungan antara dua variabel, yakni variabel dependen (terikat) dan variabel independen (bebas). Sedangkan analisis regresi berganda adalah bentuk regresi dengan model yang memiliki hubungan antara satu variabel dependen dengan dua atau lebih variabel independen.
Variabel independen adalah variabel yang nilainya tergantung dengan variabel lainnya, sedangkan variabel dependen adalah variabel yang nilainya tergantung dari variabel yang lainnya.
Analisis regresi dipergunakan untuk menelaah hubungan antara dua variabel atau lebih, terutama untuk menelusuri pola hubungan yang modelnya belum diketahui dengan baik, atau untuk mengetahui bagaimana variasi dari beberapa variabel independen mempengaruhi variabel dependen dalam suatu fenomena yang komplek.
Jika, X , X , . . . , X adalah variabel-variabel independen dan Y adalah variabel 1 2 k dependen, maka terdapat hubungan fungsional antara X dan Y, dimana variasi dari X akan diiringi pula oleh variasi dari Y. Jika dibuat secara matematis hubungan itu dapat dijabarkan sebagai berikut: Dimana : Y = f (X , X , . . . , X , e) 1 2 k
Y adalah variabel dependen (tak bebas) X adalah variabel independen (bebas) e adalah variabel residu (disturbace term)
Berkaitan dengan analisis regresi ini, setidaknya ada empat kegiatan yang lazim dilaksanakan yakni :
(1) Mengadakan estimasi terhadap parameter berdasarkan data empiris (2) Menguji berapa besar variasi variabel dependen dapat diterangkan oleh variasi independen (3) Menguji apakah estimasi parameter tersebut signifikan atau tidak, (4) Melihat apakah tanda magnitud 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/peubah bebas X dan satu peubah tak bebas Y. Dalam bentuk persamaan, model regresi sederhana adalah :
Y = a + bX
dimana: Y adalah variabel terikat/tak bebas (dependent) X adalah variabel bebas (independent) a adalah penduga bagi intercept (α) b adalah penduga bagi ko efisien regresi (β)
Penggunaan regresi linear sederhana didasarkan pada asumsi diantaranya sebagai berikut: Model regresi harus linier dalam parameter Variabel bebas tidak berkorelasi dengan disturbance term (eror) .
Nilai disturbance term sebesar 0 atau dengan simbol sebagai berikut: (E (U / X)) = 0
Varian untuk masing-masing error term (kesalahan) konstan Tidak terjadi otokorelasi Model regresi dispesifikasi secara benar. Tidak terdapat bias spesifikasi dalam model yang digunakan dalam analisis empiris Jika variabel bebas lebih dari satu, maka antara variabel bebas (explanatory) tidak ada hubungan linier yang nyata
2.2.2 Analisis Regresi Linier Berganda
Untuk memperkirakan nilai variabel tak bebas Y, akan lebih baik apabila kita ikut memperhitungkan variabel-variabel bebas lain yang ikut mempengaruhi nilai Y. dengan demikian dimiliki hubungan antara satu variabel tidak bebas Y dengan beberapa variabel lain yang bebas X , X , dan X , . . . , X . Untuk itulah digunakan 1 2 3 k regresi linear berganda. Dalam pembahasan mengenai regresi sederhana, simbol yang digunakan untuk variabel bebasnya adalah X. Dalam regresi berganda, persamaan regresinya memiliki lebih dari satu variabel bebas maka perlu menambah tanda bilangan pada setiap variabel tersebut, dalam hal ini X , X , . . . , X . 1 2 k
Secara umum persamaan regresi berganda dapat ditulis sebagai berikut :
Y = B + B X + B X + . . . + B
X i 1 1 i 2 2 i k k i + ε
(Untuk populasi)
Yi = b + b X + b X + . . . + b
X 1 1 i 2 2 i k k i + ε
(Untuk sampel) dimana : i = 1, 2, . . , n b , b , b ,. . . . ., b , B , B , . . . , B 1 2 k dan ε adalah pendugaan atas B 1 2 k . dan ε i
Dalam penelitian ini, digunakan empat variabel yang terdiri dari satu variabel bebas Y dan tiga variabel X yaitu X , X , dan X . Maka persamaan regresi 1 2 3 bergandanya adalah : Y = b + b i 1 X +b 1 i 2 X + b 2 i
X
3 3 i
Persamaan di atas dapat dapat diselesaikan dengan empat bentuk yaitu :
Y b n b i o 1 X b 1 i 2 X b 2 i 3 X 3 i
2
Y X b X bX b
X X b
X X i 1 i 1 i 1 ii 2 1 i 2 i 3 1 i 3 i 2 Y i X b 2 i X b 2 i 1 X
1 i
X b 21 2 X b 2 i 3 X 2 iX 3 i 2 Y i X b 3 i X b 3 i 1 X
1 i
X b 3 i 2 X 2 i X b 3 i 3 X 3 i
Sistem persamaan tersebut dapat disederhanakan sedikit, apabila diambil x =X – X 1 1
- – , x =X
X , x =X 2 3 3 X dan y = Y– Y . 3 Maka persamaan sekarang menjadi : y = b x +b x +b x 1 1
2
2 3 3 Koefisien-koefisien b , b , dan b untuk persamaan tersebut dapat dihitung dari : 1 2 3- – 1 2 1
- +
JK = x y x y ... b x y
reg 1 1 i i 2 2 i i k ki i b b - jumlah kaudrat-kuadrat dengan x = X ∑x ij ij j j masing-masing variabel bebas X dengan variabel tak bebas Y dalam regresi yaitu R . i
2
y x b x b x x b x x
i 1 i1 1 i
2
1 i 2 i3 1 i 3 i
2
y x b x x b x b x x
i 2 i
1 1 i 2 i
2 2 i
3 2 i 3 i
2
y x b x x b x x b x
i 3 i1 1 i 3 i
2 2 i 3 i
3 3 i
Dengan pengguanaan x ,x ,x dan y yang baru ini, maka diperolehlah harga b , b , 1 2 3 1 b , dan b . Harga setiap koefisien penduga yang diperoleh kemudian disubtitusikan 2 3 ke persamaan awal sehingga diperoleh model regresi linier berganda Y atas X , X , 1 2 dan X . Akan tetapi dalam penelitian ini penulis menggunakan bantuan softwere 3 SPSS versi.17.
2.3 Uji Keberartian Regresi
Sebelum persamaan regresi yang diperoleh digunakan untuk membuat kesimpulan terlebih dahulu diperiksa setidak-tidaknya mengenai keliniearan dan keberartiannya.
Pemeriksaan ini ditempuh melalui pengujian hipotesis. Uji keberartian dilakukan untuk meyakinkan diri apakah regresi yang didapat berdasarkan penelitian ada artinya bila dipakai untuk membuat kesimpulan mengenai hubungan sejumlah peubah yang sedang dipelajari.
Untuk itu diperlukan dua macam jumlah kuadrat (JK) yaitu Jumlah Kuadrat untuk regresi yang ditulis JK dan Jumlah Kuadrat untuk sisa (residu) yang ditulis reg dengan JK . res Jika x = X – X , x = X – –
X , . . . , x = X = Y – Y maka secara 1 i 1 i 1 2 i 2 i k ki k i i 2 X dan y
umum jumlah kuadrat-kuadrat tersebut dapat dihitung dari : dengan derajat kebebasan dk = k
^ 2 Y i JK Y – res = ( ) i
dengan derajat kebebasan dk = (n – k – 1) untuk sampel berukuran n.
Dengan demikian uji keberartian regresi berganda dapat dihitung dengan :
JK / k reg F = hitung
JK /( n k res 1 )
Dimana statistik F yang menyebar mengikuti distribusi F dengan derajat kebebasan pembilang V = k dan penyebut V = n – k – 1. Dalam penelitian ini penulis 1 2 menggunakan aplikasi softwere SPSS versi.17.
2.4 Pengujian Hipotesis
Pengujian hipotesis merupakan salah satu tujuan yang akan dibuktikan dalam penelitian. Jika terdapat deviasi antara sampel yang ditentukan dengan jumlah populasi maka tidak menutup kemungkinan untuk terjadinya kesalahan dalam mengambil keputusan antara menolak atau menerima suatu hipotesis.
Pengujian hipotesis dapat didasarkan dengan menggunakan dua hal, yaitu: tingkat signifikansi atau probabilitas (α) dan tingkat kepercayaan atau confidence
interval . Didasarkan tingkat signifikansi pada umumnya orang menggunakan 0,05.
Kisaran tingkat signifikansi mulai dari 0,01 sampai dengan 0,1. Yang dimaksud dengan tingkat signifikansi adalah probabilitas melakukan kesalahan tipe I, yaitu kesalahan menolak hipotesis ketika hipotesis tersebut benar. Tingkat kepercayaan pada umumnya ialah sebesar 95%, yang dimaksud dengan tingkat kepercayaan ialah tingkat dimana sebesar 95% nilai sampel akan mewakili nilai populasi dimana sample berasal. Dalam melakukan uji hipotesis terdapat dua hipotesis, yaitu: Ho (hipotesis nol) dan H (hipotesis alternatif). Ho bertujuan untuk memberikan usulan dugaan
1
kemungkinan tidak adanya perbedaan antara perkiraan penelitian dengan keadaan yang sesunnguhnya yang diteliti. H bertujuan memberikan usulan dugaan adanya
1 perbedaan perkiraan dengan keadaan sesungguhnya yang diteliti.
Pembentukan suatu hipotesis memerlukan teori-teori maupun hasil penelitian terlebih dahulu sebaagai pendukung pernyataan hipotesis yang diusulkan. Dalam membentuk hipotesis ada beberapa hal yang dipertimbangkan :
1) Hipotesis nol dan hipotesis alternatif yang diusulkan
2) Daerah penerimaan dan penolakan serta teknik arah pengujian (one tailed atau
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 ini antara lain : 1) = 0
= β = . . . = β Ho : β 1 k
Tidak terdapat hubungan fungsional yang signifikan antara variabel bebas dengan variabel tak bebas.
H : yang
1 Minimal satu parameter koefisien regresi β k ≠ 0
Terdapat hubungan fungsional yang signifikan antara variabel bebas dengan variabel tak bebas 2)
Pilih taraf α yang diinginkan 3) dengan menggunakan persamaan
Hitung statistik F hitung 4) menggunakan daftar tabel F dengan taraf signifikansi
α yaitu Nilai F tabel
F = F tabel ( 1 )( k ), ( n k 1 ) 5) , maka Ho ditolak dan H diterima.
≥ F
1 Kriteria pengujian : jika F hitung tabel Sebaliknya Jika F > F , maka Ho diterima dan H ditolak. hitung tabel
1
2.5 Koefisien Determinasi
2 Koefisien determinasi yang disimbolkan dengan R bertujuan untuk mengetahui
seberapa besar kemampuan variabel independen menjelaskan variabel dependen. Nilai
2 2 R dikatakan baik jika berada di atas 0,5 karena nilai R berkisar antara 0 dan 1. Pada
umumnya model regresi linier berganda dapat dikatakan layak dipakai untuk penelitian, karena sebagian besar variabel dependen dijelaskan oleh variabel independen yang digunakan dalam model. Koefisien determinasi dapat dihitung dari :
b x y b x y ... b x y
2 1 1 i i 2 2 i i k ki i R = 2
( Y . Y ) i i
Sehingga rumus umum koefisien determinasi yaitu : 2 reg JK
R = n 2
y i
2 i 1 Harga R diperoleh sesuai dengan variansi yang dijelaskan oleh masing-masing
variabel yang tinggal dalam regresi. Hal ini mengakibatkan variasi yang dijelaskan penduga hanya disebabkan oleh variabel yang berpengaruh saja. Dalam penelitian ini penulis menggunakan aplikasi softwere SPSS versi.17.
2.6 Uji Korelasi
Uji korelasi 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 dependen maupun independen). Keeratan hubungan ini dinyatakan dalam bentuk koefisien korelasi. Uji korelasi 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 sebaiknnya menggunakan korelasi Spearman atau Kendall (karena memenuhi asumsi non-parametrik).
2.6.1 Koefisien Korelasi
Nilai koefisien korelasi merupakan nilai yang digunakan untuk mengukur kekuatan (keeratan) suatu hubungan antarvariabel. Koefisien korelasi biasanya disimbolkan dengan r. Koefisien korelasi dapat dirumuskan sebagai berikut :
n
X Y ( i i X )( Y ) r = 2 2 2 2 n X ( X ) n Y ( Y )
i i i i 1.
Untuk menghitung koefisien korelasi antara variabel tak bebas Y dengan tiga variabel bebas X , X , X yaitu : 1 2 3 2. Koefisien korelasi antara Y dengan X 1
( )( )
n
X Y 1 i
X Y 1 i
r = y 1 2 2 2 2
n X ( X ) n Y ( Y ) 1 i i 1 i i
3.Koefisien korelasi antara Y dengan X 2
n
X Y ( 2 i X )( Y ) 2 i
r = y 2 2 2 2 2 ( ) ( )
n X X n Y Y 2 i 2 i i i
4.Koefisien korelasi antara Y dengan X 3
n
X Y ( 3 i X )( Y ) 3 i
r = y 3 2 2 2 2
n X (
X
3 ) n Y ( Y )
3 i i i i
Koefisien korelasi memiliki nilai antara -1 hingga +1. Sifat nilai koefisien korelasi adalah plus (+) atau minus (-) yang menunjukan arah korelasi. Makna sifat korelasi:
1. mengalami kenaikan maka variabel X 2 Korelasi positif (+) berarti jika variabel X 1 juga mengalami kenaikan atau jika variabel X mengalami kenaikan maka variabel 2 X juga mengalami kenaikan. 1 2. mengalami kenaikan maka variabel X
Korelasi negatif (-) berarti jika variabel X 1 2 akan mengalami penurunan, atau jika variabel X mengalami kenaikan maka 2 variabel X akan mengalami penurunan. 1 Sifat korelasi akan menentukan arah dari korelasi. Keeratan korelasi dapat dikelompokkan sebagai berikut :
1.
0,00 sampai dengan 0,20 berarti korelasi memiliki keeratan sangat lemah.
2.
0,21 sampai dengan 0,40 beirarti korelasi memiliki keeratan lemah.
3.
0,41 sampai dengan 0,70 berarti korelasi memiliki keeratan kuat.
4.
0,71 sampai dengan 0,90 berarti korelasi memiliki keeratan sangat kuat.
5.
0,91 sampai dengan 0,99 berarti korelasi memiliki keeratan sangat kuat sekali.
6.
1 berarti korelasi sempurna.
2.7 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
X X
X y . x 1 . x 2 ... x n = β + β + β + . . . + β 1 1 2 2 k k yang berdasarkan sebuah sampel acak berukuran n ditaksir oleh regresi berbentuk : ^
Y = b + b 1 X + b 1 2 X + . . . + b 2 k k
X Akan dilakukan pengujian hipotesis dalam bentuk : H o = 0, i = 1, 2, . . ., k
: β i
: β ≠ 0, i = 1, 2, . . ., k i Untuk menguji hipotesis ini digunakan kekeliruan baku taksiran s , 2 y k . 12 ...
1 H
X dan koefisien korelasi ganda antara
Dengan besaran-besaran ini dibentuk kekeliruan baku koefisien b yakni : 2 i
s y . 12 ... k
s = b i 2 2 ( x )(
1 R ) ij i
^
(Y Y ) 2 i
dimana : s = y . 12 .. k 2
n k
1 ij j j - = X )
∑x ∑ (X 2 JK reg R = n 2 y i
i 1 Selanjutnya hitung statistik :
b i
t = i
s b i
Dengan kriteria pengujian : jika t , maka tolak H dan jika t < t , maka
i o
≥ t tabel i tabel terima H yang akan berdistribusi t dengan derajat kebebasan dk = (n-k-1) dan t =
o tabel t .
(n-k- 1,α/2)
Dalam penelitian ini penulis menggunakan aplikasi softwere SPSS versi.17.