BAB 2
LANDASAN TEORI
2.1 Pengertian Regresi
Istilah regresi pertama kali diperkenalkan oleh Sir Francis Galton pada tahun 1886. Secara umum, analisis regresi pada dasarnya adalah studi mengenai ketergantungan satu variabel dependen (terikat) dengan satu atau lebih variabel independent (variabel penjelas/bebas), dengan tujuan untuk mengestimasi dan/ atau memprediksi rata-rata populasi atau niiai rata-rata variabel dependen berdasarkan nilai variabel independen yang diketahui. Hasil analisis regresi adalah berupa koefisien regresi untuk masing-masing variabel independent. Koefisien ini diperoleh dengan cara memprediksi nilai variabel dependen dengan suatu persamaan.
2.2 Analisis Regresi Linier
1. Analisis Regresi Sederhana (simple analisis regresi) 2. Analisis Regresi Berganda (multipe analisis regresi)
Analisis regresi sederhana merupakan hubungan antara dua variabel yaitu variabel bebas (independent variable) dan variabel tak bebas (dependent variable). Seangkan analisis regresi berganda merupakan hubungan antara tiga variabel atau lebih, yaitu sekurang-kurangnya dua variabel bebas dan satu variabel tak bebas.
2.3 Regresi Linier Sederhana
Regresi linier sederhana adalah hubungan secara linier antara satu variabel independen (𝑋) dengan variabel dependen (𝑌). Analisis regresi linier sederhana dipergunakan untuk mengetahui arah hubungan antara variabel tidak bebas dengan variabel bebas apakah positif atau negatif dan untuk memprediksi nilai dari variabel tak bebas apabila nilai variabel bebas mengalami kenaikan atau penurunan. Data yang digunakan biasanya berskala interval atau rasio.
Rumus regresi linier sederhana adalah sebagai berikut:
𝑌� = 𝑎 + 𝑏𝑋 (2.1)
dengan:
𝑌� = Variabel tak bebas 𝑋 = Variabel bebas 𝑎 = Parameter intercept
2.4 Regresi Linier Berganda
Analisis regresi linier berganda adalah hubungan secara linier antara dua atau lebih variabel bebas(𝑋1,𝑋2, … ,𝑋𝑛) dengan variabel tidak bebas (𝑌). Analisis ini digunakan untuk mengetahui arah hubungan antara variabel tak bebas dengan variabel tidak bebas apakah masing-masing variabel bebas berhubungan positif atau negatif dan untuk memprediksi nilai dari variabel tidak bebas apabila nilai variabel bebas mengalami kenaikan atau penurunan. Data yang digunakan biasanya berskala interval atau rasio.
Analisis regresi linier berganda sebenarnya sama dengan analisis regresi
linier sederhana, hanya variabel bebasnya lebih dari satu variabel penduga. Tujuan
analisis regresi linier berganda adalah untuk mengukur intensitas hubungan antara
dua variabel atau lebih dan memuat prediksi/perkiraan nilai 𝑌 atas nilai𝑋. Bentuk
persamaan regresi linier sederhana yang mencakup dua atau lebih variabel, yaitu:
𝑌 = β0+β1𝑋1𝑖+β2𝑋2𝑖+⋯+β1𝑋𝑘𝑖𝜀𝑖 (2.2)
dengan:
𝑌 = Pengamatan ke-i pada variabel tak bebas
𝑋𝑘𝑖 = Pengamatan ke-i pada variabel bebas
β0 = Parameter intercept
β1,β2, … ,β𝑘 = Parameter koefisien regresi variabel bebas
Model diatas merupakan model regresi untuk populasi, sedangkan apabila hanya untuk menarik sebagian berupa sampel untuk populasi secara acak, dan tidak mengetahui regresi populasi, sehingga model populasi perlu diduga berdasarkan model populasi sebagai berikut:
𝑌�= 𝑎0+𝑎1𝑋1+𝑎2𝑋2+⋯+𝑎𝑘𝑋𝑘 (2.3)
dengan:
𝑌� = Variabel tidak bebas (dependent)
𝑎0, … ,𝑎𝑘 = koefisien regresi
𝑋1, … ,𝑋𝑘 = variabel bebas (independent)
Untuk hal ini, penulis menggunakan regresi linier berganda satu variabel terikat (dependent variable) dan tiga variabel bebas (independent variable). Bentuk umum regresi linier berganda tersebut, yaitu:
𝑌�= 𝑏0+𝑏1𝑋1𝑖+𝑏2𝑋2𝑖+⋯+𝑎𝑛𝑋𝑛𝑖 (2.4)
dengan:
𝑌 = Jumlah Penduduk Miskin 𝑋1 = Luas Wilayah
𝑋2 = Kepadatan Penduduk
𝑋3 = Tingkat Pengangguran
Untuk rumus diatas, dapat diselesaikan oleh empat persamaan variabel yang terbentuk:
∑ 𝑌 = 𝑏0𝑛+𝑏1∑ 𝑋1+𝑏2∑ 𝑋2+𝑏3∑ 𝑋3 (2.5)
∑ 𝑌 𝑋1 = 𝑏0∑ 𝑋1 +𝑏1∑ 𝑋12+𝑏2∑ 𝑋1𝑋2+𝑏3∑ 𝑋1𝑋3 (2.6)
∑ 𝑌 𝑋2 = 𝑏0∑ 𝑋2+𝑏1∑ 𝑋2𝑋1+𝑏2∑ 𝑋22+𝑏3∑ 𝑋2𝑋3 (2.7)
∑ 𝑌 𝑋3 = 𝑏0∑ 𝑋3+𝑏1∑ 𝑋1𝑋3+𝑏2∑ 𝑋2𝑋3+𝑏3∑ 𝑋32 (2.8)
Dengan b0, b1, b2, b3 adalah koefisien yang ditentukan berdasarkan data hasil
pengamatan. Untuk menghitung nilai 𝑦= 𝑌 − 𝑌�, 𝑥1 = 𝑋1− 𝑋�1, 𝑥2 = 𝑋2 − 𝑋�2, dan 𝑥3 = 𝑋3− 𝑋�3.
2.5 Kesalahan Standard Estimasi
𝑆𝑦,1,2,…,𝑘
=
𝑆𝑒=
�Ʃ𝑛−𝑘−1(𝑌𝑖Ŷ)2(2.9)
dengan:
𝑌𝑖 = nilai data sebenarnya
𝑌� = nilai taksiran
2.6 Koefisien Determinan
Koefisien determinasi (𝑅2) adalah satu ukuran yang digunakan untuk mengukur
pengaruh variabel bebas terhadap variansi variabel tidak bebas, dengan 0 < 𝑅2 <
1. Koefisien determinasi pad
besar kemampuan semua variabel bebas dalam menjelaskan terikatnya. Secara sederhana koefisien determinasi dihitung dengan mengkuadratkan Koefisien Korelasi (𝑅). Secara umum koefisien determinasidigunakan sebagai informasi mengenai kecocokan suatu model. Dalam regresi, koefisien determinasi di jadikan sebagai pengukuran seberapa baik garis regresi mendekati nilai data asli yang dibuat model. Jika 𝑟2sama dengan 1,
maka angka tersebut menunjukkan garis regresi cocok dengan data secara sempurna.
Hipotesa:
𝐻0: Tidak terdapat hubungan fungsional yang signifikan antara semua faktor
yang mempengaruhi terhadap faktor yang dipengaruhi.
𝐻1: Terdapat hubungan fungsional yang signifikan antara semua faktor yang
Koefisien determinasi yang dinyatakan dengan 𝑅2 digunakan untuk pengujian regresi linier berganda yang mencakup lebih dari dua variabel adalah untuk mengetahui proporsi keragaman total dalam variabel terikat (𝑌) yang dapat dijelaskan atau diterangkan oleh variabel-variabel bebas (𝑋) yang ada dalam model persamaan regresi linier berganda secara bersama-sama. Maka R2 ditentukan dengan rumus, yaitu:
𝑅2
= 𝐽𝐾Ʃ𝑦𝑟𝑒𝑔2 (2.10)
dengan:
𝐽𝐾𝑟𝑒𝑔 = Jumlah Kuadrat Regresi
Harga 𝑅2 yang diperoleh sesuai dengan variansi yang dijelaskan masing-masing variabel yang tinggal dalam regresi. Hal ini mengakibatkan variasi yang dijelaskan penduga yang disebabkan oleh variabel yang berpengaruh saja.
2.7 Koefisien Korelasi
Setelah mendapatkan hasil jumlah pengaruh pada variabel yang diteliti selanjutnya penulis akan mencari seberapa besar hubungan antara variabel terikat dengan variabel bebas atau antara variabel bebas itu sendiri.
searah. Artinya jika nilai variabel 𝑋 tinggi, maka nilai variabel𝑌 akan tinggi pula. Sebaliknya, jika koefesien korelasi negatif, maka kedua variabel mempunyai hubungan terbalik. Artinya jika nilai variabel𝑋 tinggi, maka nilai variabel 𝑌 akan
menjadi rendah dan sebaliknya. Dengan kata lain koefisien korelasi sederhana (𝑟)
merupakan akar dari koefisien determinasi. Besarnya hubungan antara variabel yang satu dengan variabel yang lain dinyatakan dengan koefisien korelasi yang disimbulkan dengan huruf “𝑟”. Besarnya koefisien korelasi akan berkisar antara -1 (negatif satu) sampai dengan +1 (positif satu).
dengan:
+ menunjukkan korelasi positif - menunjukkan korelasi negatif
0 menunjukkan tidak adanya hubungan
Apabila koefisien korelasi mendekati + 1 atau – 1, berarti hubungan antar variabel tersebut semakin kuat. Sebaliknya, apabila koefisien korelasi mendekati angka 0, berarti hubungan antar variabel tersebut semakin lemah. Dengan kata lain, besarnya nilai korelasi bersifat absolut, sedangkan tanda “ + “ atau “–“ hanya menunjukkan arah hubungan saja.
𝑟
𝑦𝑥=
𝑛Ʃ𝑋𝑘𝑖𝑌𝑖−(Ʃ𝑋𝑘𝑖)(Ʃ𝑌𝑖)��𝑛Ʃ𝑋𝑘𝑖2−(Ʃ𝑋𝑘𝑖)2��𝑛Ʃ𝑌𝑖2−(Ʃ𝑌𝑖)2�
(2.11)
dengan:
𝑟𝑦𝑥 = Koefisien korelasi antara 𝑌 dan 𝑋
𝑋𝑘𝑖 = Variabel bebas
𝑌𝑖 = Variabel teriat
Nilai r selalu terletak antara −1 dan 1, sehingga nilai r tersebut dapat ditulis −1≤ 𝑟 ≤ +1. Untuk𝑟 = +1, berarti ada korelasi positif sempurna antara 𝑋 dan 𝑌, sebaliknya jika𝑟 = −1, berarti korelasi negatif sempurna
Tabel 2.1 Interpretasi Koefisien Korelasi
R Interpretasi
0 Tidak Berkorelasi
0,01−0,20 Sangat Rendah
0,21−0,40 Rendah
0,41−0,60 Agak Rendah
0,61−0,80 Cukup
0,81−0,99 Tinggi
1 Korelasi Sempurna
dengan:
𝑟 = koefisien korelasi
+ = menunjukkan korelasi positif
–. = menunjukkan korelasi negatif
0 = menunjukkan tidak ada korelasi (korelasi nihil)
Hubungan antara variabel dapat dikelompokkan menjadi tiga jenis:
1. Korelasi positif
Terjadinya korelasi potitif apabila perubahan antara variabel yang satu diikuti dengan variabel yang lainnya dengan arah yang sama (berbanding lurus). Artinya variabel yang satu meningkat, maka akan diikuti peningkatan variabel yang lainnya.
2. Korelasi negatif
(berbanding terbalik). Artinya apabila variabel yang satu meningkat, maka akan diikuti penurunan variabel lainnya.
3. Korelasi nihil
Korelasi nihil artinya tidak adanya korelasi antara variabel.
Dalam hal ini penulis menggunakan empat variabel dalam penelitiannya, untuk hubungan empat variabel dapat dihitung dengan menggunakan rumus sebagai berikut:
a. Koefisien Korelasi antara Y dan X1
𝑟
𝑦𝑥1=
𝑛Ʃ𝑋1𝑌1−(Ʃ𝑋1)(Ʃ𝑌)��𝑛Ʃ𝑋12−(Ʃ𝑋1)2�{𝑛Ʃ𝑌2−(Ʃ𝑌)2}
(2.12)
b. Koefisien Korelasi antara Y dan X2
𝑟
𝑦𝑥2=
𝑛Ʃ𝑋2𝑌1−(Ʃ𝑋2)(Ʃ𝑌)��𝑛Ʃ𝑋22−(Ʃ𝑋2)2�{𝑛Ʃ𝑌2−(Ʃ𝑌)2}
(2.13)
c. Koefisien Korelasi antara Y dan X3
𝑟
𝑦𝑥3=
𝑛Ʃ𝑋3𝑌1−(Ʃ𝑋3)(Ʃ𝑌)��𝑛Ʃ𝑋32−(Ʃ𝑋3)2�{𝑛Ʃ𝑌2−(Ʃ𝑌)2}
d. Koefisien Korelasi antara X1 dan X2
𝑟
𝑥1𝑥2=
𝑛Ʃ𝑋1𝑋2−(Ʃ𝑋1)(Ʃ𝑋2)��𝑛Ʃ𝑋12−(Ʃ𝑋1)2��𝑛Ʃ𝑋22−(Ʃ𝑋2)2�
(2.15)
e. Koefisien Korelasi antara X1 dan X3
𝑟
𝑥1𝑥3=
𝑛Ʃ𝑋1𝑋3−(Ʃ𝑋1)(Ʃ𝑋3)��𝑛Ʃ𝑋12−(Ʃ𝑋1)2��𝑛Ʃ𝑋32−(Ʃ𝑋3)2� (2.16)
f. Koefisien Korelasi antara X2 dan X3