BAB 2
LANDASAN TEORI
2.1Analisis Regresi Linier
Analisis regresi merupakan teknik yang digunakan dalam persamaan matematik yang menyatakan hubungan fugsional antara 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 dengan hubungannya dengan
variabel yang lain yang diketahui melalui persamaan garis regresi.
Variabel yang lain 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 adalah variabel yang nilainya tergantung dengan variabel lainya, sedangkan variabel terikat adalah variabel yang nilainya tergantung ddari variabel lainya.
Analisi regresi digunakan untuk mengetahui hubungan antara dua variabel atau lebih,
terutama untuk menelusuri pola hubungan yang modelnya beluum diketahui dengan baik, atau untuk meengetahui bagaimana variasi dari beberapa variabel bebas mempengaruhi variabel
dependen dalam suatu fenomena yang komplek. Jika X1, X2, … … Xk adalah variabel-variabel
bebas dan Y adalah variabel terikat, maka terdapat hubungan antara fungsional antara X dan Y, dimana variasi dari X akan diiringi pula oleh variasi dari Y. Jika dibuat secara matematis hubungan ini dapat dijabarkan sebagai berikut :
Y = f(X1,X2, … … . Xk,e)
Keterangan :
Y = Variabel terikat (Dependen) X = Variabel bebas (Independen)
e = Variabel residu (disturbace term)
2.1.1Analisis Regresi Linier Sederhana
Analisis regresi linier sederhana terdiri dari satu variabel bebas dan satu variabel terikat. Dengan kata lain variabel yang dianalisis terdiri dari satu variabel prediktor dan satu variabel kriterium. Model regresi linier sederhanaya adalah:
Y = a + bX + e
Keterangan :
X = Variabel bebas (independent variable) a = Konstanta (intrcept)
b = Kemiringan (slope)
Penggunaan regresi linier sederhana didasarkan pada asumsi, diantaranya sebagai berikut : 1. Model regresi harus linier dalam parameter
2. Variabel bebas tidak berkolerasi dengan disturbance term (eror) 3. Nilai disturbance term sebesar 0 atau dengan symbol sebagai e
4. Varian untuk masing- masing error term (kesalahan) konstan
5. Tidak terjadi autokorelasi
6. Model regresi dispesifikasikan secara benar. Tidak terdapat bias spesifikasi dalam
model yang digunakan dalam analisis empiris.
Koefisien-koefisien regresi a dan b dapat dihitung dengan rumus:
a =(∑ Yi)(∑Xin ∑ Xi2) − (∑ Xi)(∑XiYi)2 − (∑ Xi)2
b =n(∑ XiYi) − (∑ Xi)(∑Yi)n ∑ Xi2− (∑Xi)2
Jika koefisien b terlebih dahulu dihitung, maka koefisien a dapat dihitung dengan rumus: a = Y̅ − bX̅
Dengan Y̅dan X̅ masing- masing rata-rata untuk variabel-variabel X dan Y.
2.1.2 Analisis Regresi Linier Berganda
persamaan regresi linier yang memiliki lebih dari satu variabel bebas X dan satu variabel terikat Y akan membentuk suatu persamaan regresi yang baru, disebut persamaan regresi
linieer berganda (multiple regression). Model persamaan regresi linier berganda hampir sama
dengan model regresi linier sederhana, letak perbedaanya hanya pada jumlah variabel bebasnya.
Secara umum model regresi linier berganda adalah sebagai berikut: Y = bo+ b1x1+ b2x2 + b3x3+ ⋯ + bnxn
Keterangan :
Y = Variabel terikat (dependent variable) X = Variabel bebas (independent variable) bo = Konstanta regresi
bn = Koefisien regresi variabel bebas Xn
e = Pengamatan variabel error
Dalam penelitian ini digunakan empat variabel yang terdiri dari satu variabel terikat (Y) dan tiga variabel bebas (X). Maka persamaan regresi bergandanya adalah:
Y = b0+ b1X1+ b2X2 + b3X3+ e
Persamaan diatas dapat diselesaikan dengan empat bentuk, yaitu :
∑ Y = nb0+ b1∑ X1+ b2∑ X2 + b3∑ X3
∑X1Y = b0∑ X1+ b1∑ X12 + b2∑ X1X2 + b3∑ X1X3 ∑ X2Y = bo∑ X2+ b1∑ X1Y2 + b2∑ X22 + b3∑ X2X3
2.2Uji Keberartian Regresi
Sebelum persamaan regresi yang diperoleh digunakan untuk membuat kesimpulan, terlebih
dahulu diperiksa setidak-setidaknya mengenai kelinieran dan keberartianya. 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 JKregdan jumlah kuadrat untuk sisa (residu) yang ditulis dengan JKres. Jika x1i = X1i −
X̅1, x2i = X2i − X̅2, …… . , xk = Xki − X̅k dan yi= Yi− Y̅ maka secara umum jimlah
kuadrat-kuadrat tersebut dapat dihitung dengan rumus :
JKreg = b1∑ x1y + b2∑ x2iy + ⋯ + bk∑ xky
Dengan derajat kebebasan dk = k
JKres = ∑(Yi− Y̅i)2
Dengan derajat kebebasan dk= (n – k – 1) untuk sampel berukuran n, dengan demikian uji keberartian regresi berganda dapat dihitung dengan :
Fhitung = JK JKreg/k res/(n − k − 1)
2.3 Koefisien Determinasi
Koefisien determinasi yang dinyatakan dengan R2 untuk pengujian regresi linier berganda
yang mencakup lebih dari dua variabel adalah untuk mengetahui proporsi keragaman total
dalam variabel tak bebas (Y) yang dapat dijelaskan atau diterangkan oleh variabel-variabel bebas (X) yang ada di dalam model persamaan regresi linier berganda secara bersama-sama.
Maka R2 akan ditentukan dengan rumus, yaitu :
R2 =JKreg ∑ yi2
Keterangan :
JKreg = Jumlah kuadrat regresi
Harga R2 yang diperoleh sesuai dengan variansi yang dijelaskan masing-masing
variabel yang tinggal dalam regresi tersebut. Hal ini mengakibatkan variansi yang dijelaskan penduga yang disebabkan oleh variabel yang berpengaruh saja ataupun dengan kata lain hanya yang bersifat nyata.
2.4 Uji Korelasi
Analisa korelasi dilakukan untuk mengetahui hubungan antara dua variabel (bivariate correlation) atau lebih dari 2 variabel (multivariate correlation) dalam suatu penelitian.Untuk
menentukan seberapa besar hubungan antar variabel tersebut dapat dihitung dengan
r = n ∑ XiY − (∑ Xi)(∑Y) √{n ∑ Xi2− (∑X
i)2}{n ∑ Y2− (∑ Y)2}
Adapun untuk menghitung koefisien korelasi antara variabel terikat Y dan variabel bebas X1, X2, dan X3 yaitu :
1. Koefisien antara Y dan X1
ry1 = n∑ X1Y − (∑ X1)(∑Y)
√{n∑ X12− (∑ X
1)2}{n∑ Y2− (∑ Y)2}
2. Koefisien korelasi antara Y dengan X2
ry2 = n ∑ X2Y − (∑ X2)(∑ Y)
√{n ∑ X22− (∑ X
2)2}{n ∑ Y2− (∑Y)2}
3. Koefisien korelasi antara Y dan X3
ry3 = n ∑ X3Y − (∑ X3)(∑ Y)
√{n ∑ X32− (∑ X
3)2}{n ∑ Y2− (∑Y)2}
1. Tanda positif (+) pada koefisien korelasi menunjukan hubungan searah atau koefisien positif. Artinya jika nilai suatu variabel mengalami kenaikan maka nilai variabel yang
lain juga mengalami kenaikan dan demikian juga sebaliknya.
2. Tanda negative (-) pada koefisien korelasi menunjukan hubungan yang berlawanan ara tau korelasi negative. Artinya jika nilai suatu variabel mengalami kenaikan maka nilai
variabel yang lain akan mengalami penurunan dan demikian juga sebaliknya.
Sifat korelasi akan menentukan arah korelasi. Keeratan korelasi dapat dikelompokan sebagai berikut.
1. 0,00-0,20 berarti korelasi memiliki keeratan sangat lemah.
2. 0,21-0,40 berarti korelasi memiliki keeratan lemah. 3. 0,41-0,70 berarti korelasi memiliki keeratan kuat.
4. 0,71-0,90 berarti korelasi memiliki keeratan sangat kuat.
5. 0,91-0,99 berarti korelasi memiliki keeratan sangat kuat sekali. 6. 1 berarti korelasi sempurna.
2.5Kesalahan Standar Estimasi
Untuk mengetahui ketetapan persamaan estimasi dapat digunakan keslahan standar estimasi (standard error of estimate).Besarnya kesalahan standar estimasi menunjukan ketetapan
persamaan estimasi untuk menjelaskan nilai variabel tidak bebas yang sesungguhnya.Semakin
kecil nilai kesalahan standar estimasi tersebut, makin tinggi ketetapan persamaan estimasi yang dihasilkan untuk menjelaskan nilai variabel tidak bebas sesungguhnya. Sebaliknya, semakin besar nilai kesalahan standar estimasi, maka semakin rendah persamaan estimasi
regreesi Teor,, Kasus dan Solusi, Edisi 2. Yogyakarta : BPFE. Hal 17).Kesalahan standar
estimasi (kekeliruan baku taksiran) dapat ditentukan dengan rumus :
.Sy,1,2,…,k = √∑(Yi−Y̅)2 n−k−1
2.6Pengujian Hipotesis
Pengujian hipotesis merupakan salah satu tujuan yang akan dibuktikan dalam penelitian. Jika terdapat deviasi antara sampel yang ditentukan dengan jumlah populasi maka tidak tertutup
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 (∝) 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 1, 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 sampel berasal. Dalam melakukan uji hipotesis terdapat dua
hipotesis, yaitu:H0 (hipotesiis 0) dan H1 (hipotesis alternatif). H0bertujuan untuk memberikan usulan dugaan kemungkinan tidak adanya perbedaan antara perkiraan penelitian dengan
keadaan yang sesungguhnya yang akan diteliti. 𝐻1bertujuan memberikan usulan dugaan
Pembentukan suatu hipotesis memerlukan toeri-teori maupun hasil penelitian terlebih dahulu sebagai pendukung pernyataan hipotesis yang diusulkan. Dalam membentuk hipotesis ada
beberapa hal yang dipertimbangkan, yaitu:
1. Hipotesis nol dan hipotesis alternative 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. H0: β0 = β1 = ⋯ = βk = 0
Tidak terdapat hubungan fungsional yang signifikan antara variabel bebas dengan variabel terikat.
H1: Minimal satu parameter koefisin regresi βk≠ 0
Terdapat hubungan fungsional yang signifikan antara variabel bebas dengan variabel terikat. 2. Pilih taraf nyata ∝ yang diinginkan.
3. Hitung statistik Fhitungdengan menggunakan persamaan.
4. Nilai Ftabel menggunakan daftar table F dengan taraf signifikansi ∝ yaitu :Ttabel = F(1−∝)(k),(n−k−1).
5. Kriteria pengujian : jika Fhitung > Ftabel, maka H0 ditolak dan H1 diterima.