ANALISIS REGRESI

2.1 Pengertian Analisis Regregi

Analisis regresi adalah kajian terhadap hubungan satu variable yang disebut dengan
variable yang diterangkan (the explained variable) dengan satu atau dua variable yang
menerangkan (the explanatory). Variabel pertama disebut juga sebagai variable tergantung dan
variable kedua disebut juga sebagai variable bebas.[1] Analisis regresi merupakan salah satu
analisis yang bertujuan untuk mengetahui pengaruh suatu variabel terhadap variabel lain.[2] Sir
Francis Galton (1822 – 1911), memperkenalkan model peramalan, penaksiran, atau pendugaan,
yang selanjutnya dinamakan regresi, sehubungan dengan penelitiannya terhadap tinggi badan
manusia. 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. (Ronal E. Walpole).
Hubungan antar variabel dapat berupa hubungan linier ataupun hubungan tidak linier.
Misalnya, berat badan orang dewasa sampai pada tahap tertentu bergantung pada tinggi badan,
keliling lingkaran bergantung pada diameternya, dan tekanan gas bergantung pada suhu dan
volumenya. Atau dalam ilmu pemasaran, nilai penjualan akan bergantung pada biaya promosi.
Hubungan-hubungan itu bila dinyatakan dalam bentuk matematis akan memberikan persamaan-
persamaan tertentu. Untuk dua variabel, hubungan liniernya dapat dinyatakan dalam bentuk
persamaan linier, yakni: Y = a + bX. Hubungan antara dua variabel pada persamaan linier jika
digambarkan secara (scatter diagram), semua nilai Y dan X akan berada pada suatu garis lurus.
Dan dalam ilmu ekonomi, garis itu dinamakan garis regresi.
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 magnitude dari estimasi parameter cocok dengan teori.

2.2 Tujuan dan Kegunaan Analisis Regresi

Analisis regresi dalam statistika adalah salah satu metode untuk menentukan hubungan
sebab akibat antara satu variabel dengan variabel yang lain. Analisis regresi adalah salah satu
analisis yang paling populer dan luas pemakaiannya. Hampir semua bidang ilmu yang
memerlukan analisis. Analisis regresi dan analisis korelasi dikembangkan untuk mengkaji dan
mengukur hubungan antara dua variabel atau lebih. Dalam analisis regresi dikembangkan
persamaan estimasi untuk mendeskripsikan pola atau fungsi hubungan antara variabel-variabel.
Sesuai dengan namanya, persamaan estimasi atau persamaan regresi itu digunakan untuk
mengestimasi nilai dari suatu variabel berdasarkan nilai variabel lainnya. Variabel yang di
estimasi itu disebut variabel dependen (atau variabel terikat) sedangkan variabel yang
diperkirakan memengaruhi variabel dependen itu disebut variabel independen (atau variabel
bebas).[3]
Ada beberapa tujuan penggunaan analisis regresi, antara lain:
a. Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasari pada nilai variabel
bebas.
b. Menguji hipotesis karakteristik dependensi.
c. Untuk meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai variabel bebas
diluar jangkauan sample.[4]

2.3 Persyaratan Penggunaan Regresi

Model kelayakan regresi linear didasarkan pada hal-hal sebagai berikut:
1. Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar < 0.05.
2. Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini diketahui jika angka
Standard Error of Estimate < Standard Deviation.
3. Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi
signifikan jika T hitung > T tabel (nilai kritis).
4. Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi yang sangat tinggi atau
sangat rendah antar variabel bebas. Syarat ini hanya berlaku untuk regresi linier berganda dengan
variabel bebas lebih dari satu.
5. Tidak terjadi otokorelasi. Terjadi otokorelasi jika angka Durbin dan Watson (DB) sebesar < 1
dan > 3.
6. Keselerasan model regresi dapat diterangkan dengan menggunakan nilai r2 semakin besar nilai
tersebut maka model semakin baik. Jika nilai mendekati 1 maka model regresi semakin baik.
Nilai r2 mempunyai karakteristik diantaranya: 1) selalu positif, 2) Nilai r2 maksimal sebesar 1.
Jika Nilai r2 sebesar 1 akan mempunyai arti kesesuaian yang sempurna. Maksudnya seluruh
variasi dalam variabel Y dapat diterangkan oleh model regresi. Sebaliknya jika r2 sama dengan 0,
maka tidak ada hubungan linier antara X dan Y.
7. Terdapat hubungan linier antara variabel bebas (X) dan variabel tergantung (Y)
8. Data harus berdistribusi normal
9. Data berskala interval atau rasio
10. Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas (disebut juga
sebagai variabel predictor) sedang variabel lainnya variabel tergantung (disebut juga sebagai
variabel response).

UJI CHI – SQUARE

Uji chi-square merupakan uji non parametris yang paling banyak digunakan.
Namun perlu diketahui syarat-syarat uji ini adalah: frekuensi responden atau
sampel yang digunakan besar, sebab ada beberapa syarat di mana chi square
dapat digunakan yaitu:

1. Tidak ada cell dengan nilai frekuensi kenyataan atau disebut juga Actual Count (F0)
sebesar 0 (Nol).
2. Apabila bentuk tabel kontingensi 2 X 2, maka tidak boleh ada 1 cell saja yang
memiliki frekuensi harapan atau disebut juga expected count (“Fh”) kurang dari 5.

3. Apabila bentuk tabel lebih dari 2 x 2, misak 2 x 3, maka jumlah cell dengan frekuensi
harapan yang kurang dari 5 tidak boleh lebih dari 20%.

Tujuan dari Chi-Square

Chi-square memiliki beberapa tujuan didalamnya. Ada 4 tujuan yang dapat dijadikan patokan
dalam tujuan menggunakan chi-square, antara lain:

1. Menguji kebebasan (independensi) antar faktor dari data dalam daftar kontingensi atau uji
kebebasan.

2. Menguji kesesuaian antara data hasil pengamatan dengan model distribusi dari mana data itu di
peroleh.

3. Menguji apakah frekuensi yang diamati (diobservasi) berbeda secara signifikan dengan frekuensi
teoritis atau frekuensi yang diharapkan.

4. Menguji apakah data sampel mempunyai distribusi yang mendekati distribusi teoritis atau
hipotesis atau populasi tertentu seperti distribusi binomial, poison, dan normal.
ANALISIS REGRESI LINEAR SEDERHANA

TUJUAN

Untuk mengukur besarnya pengaruh satu variabel bebas atau variabel independent terhadap variabel
tergantung atau variabel terikat.

SYARAT

1. Jumlah sampel sama

2. Jumlah variabel (X) adalah 1 (satu)
3. Nilai residual harus berdistribusi normal
4. Terdapat hubungan linear antara variabel X dan Y
5. Tidak terjadi gejala heteroskedastisitas
6. Tidak terjadi gejala autokorelasi (untuk data time series)

Contoh soal : Pengaruh Stress Kerja Terhadap Kinerja Pegawai

H0 : Ada pengaruh stress kerja terhadap kinerja pegawai

Keterangan Terkait Data Penelitian

1. Data di atas diperoleh dari hasil penyebaran kuesioner atau angket (menggunakan nilai skor
total jawaban responden atas item-item soal kuesioner)
2. Jika menggunakan kuesioner untuk data penelitian, maka item-item kuesioner tersebut harus
dipastikan sudah lolos uji validitas dan reliabilitas terlebih dahulu
3. Jumlah sampel yang digunakan adalah 12 responden (pegawai)
4. Variabel penelitian : stress kerja sebagai variabel bebas (x) dan kinerja pegawai sebagai variabel
tergantung (Y)

TAHAP

Pertama pastikan data lolos syarat kelayakan model regresi linear sederhan dengan uji normalitas, uji
linearitas, dan uji heteroskedastisitas.
1. Buka lembar spss- Variable View – Name (baris pertama tulis X, baris kedua Y)- Label(baris
petama tulis stress kerja dan beris kedua tulis kinerja pegawai)-pilihan lainnya default

2. Data View