BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI

2.1 Analisis Regresi Linier

Analisis regresi merupakan teknik yang digunakan dalam persamaan matematik yang menyatakan hubungan fungsional 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

Universitas Sumatera Utara

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 berganda adalah bentuk regresi dengan model yang memiliki hubungan antara satu variabel terikat dengan dua atau lebih variabel bebas. Variabel bebas adalah variabel yang nilainya tergantung dengan variabel lainya, sedangkan variabel terikat adalah variabel yang nilainya tergantung dari variabel lainya. Analisis regresi digunakan untuk mengetahui 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 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 (dependent variable)

X

= Variabel bebas (independent variable)

e

= Variabel residu (disturbance 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 menghitung dari estimasi parameter cocok dengan teori.

2.1.1

Analisis 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 sederhananya adalah: 𝑌 = 𝑎 + 𝑏𝑋 Keterangan : Y


X


a

= Konstanta (intercept)

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 atau error. 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:

(∑ 𝑌𝑖 )(∑ 𝑋𝑖 2 ) − (∑ 𝑋𝑖 )(∑ 𝑋𝑖𝑌𝑖 ) 𝑎= 𝑛 ∑ 𝑋𝑖 2 − (∑ 𝑋𝑖 )2

𝑏=

𝑛(∑ 𝑋𝑖𝑌𝑖 ) − (∑ 𝑋𝑖 )(∑ 𝑌𝑖 ) 𝑛 ∑ 𝑋𝑖 2 − (∑ 𝑋𝑖 )2

Jika koefisien b terlebih dahulu dihitung, maka koefisien a dapat dihitung dengan rumus: 𝑎 = 𝑌̅ − 𝑏𝑋̅

Dengan 𝑌̅ dan 𝑋̅ masing- masing rata-rata untuk variabel-variabel X dan Y.


2.1.2

Analisis Regresi Linier Berganda

Analisis regresi linier berganda (multiple regression) berguna untuk mencari pengaruh atau untuk meramalkan dua variabel prediktor atau lebih terhadap variabel kriteriumnya. Suatu 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 linier berganda (multiple regression). Model persamaan regresi linier berganda hampir sama dengan model regresi linier sederhana, letak perbedaannya hanya pada jumlah variabel bebasnya. Secara umum model regresi linier berganda adalah sebagai berikut: 𝑌 = 𝑏𝑜 + 𝑏1 𝑥 1 + 𝑏2 𝑥 2 + 𝑏3 𝑥 3 + ⋯ + 𝑏𝑛 𝑥 𝑛

Keterangan : Y


X


𝑏𝑜

= Konstanta regresi

𝑏𝑛

= Koefisien regresi variabel bebas 𝑋𝑛

ɛ

= 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: 𝑌𝑖 = 𝑏0 + 𝑏1 𝑋1𝑖 + 𝑏2 𝑋2𝑖 + 𝑏3 𝑋3𝑖

Persamaan diatas dapat diselesaikan dengan empat bentuk, yaitu :


∑𝑌

= 𝑛𝑏0 + 𝑏1 ∑ 𝑋1 + 𝑏2 ∑ 𝑋2 + 𝑏3 ∑ 𝑋3

∑ 𝑋1 𝑌 = 𝑏0 ∑ 𝑋1 + 𝑏1 ∑ 𝑋12 + 𝑏2 ∑ 𝑋1 𝑋2 + 𝑏3 ∑ 𝑋1 𝑋3 ∑ 𝑋2 𝑌 = 𝑏𝑜 ∑ 𝑋2 + 𝑏1 ∑ 𝑋1 𝑌2 + 𝑏2 ∑ 𝑋22 + 𝑏3 ∑ 𝑋2 𝑋3 ∑ 𝑋3 𝑌 = 𝑏0 ∑ 𝑋3 + 𝑏1 ∑ 𝑋1 𝑋3 + 𝑏2 ∑ 𝑋2 𝑋3 + 𝑏3 ∑ 𝑋32

Sistem persamaan tersebut dapat disederhanakan, apabila diambil X1 = X1 − ̅ X1 , X2 = X1 − ̅2 , X3 = X3 − X ̅3 dan y = Y − Y ̅ X Maka persamaan sekarang menjadi : 𝑦 = 𝑏1 𝑥 1 + 𝑏2 𝑥 2 + 𝑏3 𝑥 3 Koefisien-koefisien b1 , b2 , dan b3 untuk persamaan tersebut dapat dihitung dengan rumus :

∑ 𝑥 1 𝑦 = 𝑏1 ∑ 𝑥 12 + 𝑏2 ∑ 𝑥 1 𝑥2 + 𝑏3 ∑ 𝑥 1 𝑥 3 ∑ 𝑥 2 𝑦 = 𝑏1 ∑ 𝑥 1 𝑥 2 + 𝑏2 ∑ 𝑥 22 + 𝑏3 ∑ 𝑥 2 𝑥 3 ∑ 𝑥 3 𝑦 = 𝑏1 ∑ 𝑥 1 𝑥 3 + 𝑏2 ∑ 𝑥 2 𝑥 3 + 𝑏3 ∑ 𝑥 32

Dengan penggunaan x1 , x2 , x3 dan y yang baru, maka diperoleh harga b0 , b1 , b2 , dan b3 . Harga setiap koefisien penduga yang diperoleh kemudian disubstitusikan ke persamaan awal sehingga diperoleh model regresi linier berganda Y atas X1 , X2 , danX3 .


2.2 Uji Keberartian Regresi Sebelum persamaan regresi yang diperoleh digunakan untuk membuat kesimpulan, terlebih dahulu diperiksa setidak-setidaknya mengenai kelinieran 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 reg dan jumlah kuadrat ̅1 , x2i = X2i − X ̅2 , … … . , xk = untuk sisa (residu) yang ditulis dengan JK res . Jika x1i = X1i − X ̅k dan yi = Yi − Y ̅ maka secara umum jumlah kuadrat-kuadrat tersebut dapat dihitung Xki − X dengan rumus : 𝐽𝐾𝑟𝑒𝑔 = 𝑏1 ∑ 𝑥 1𝑖 𝑦𝑖 + 𝑏2 ∑ 𝑥 2𝑖 𝑦𝑖 + ⋯ + 𝑏𝑘 ∑ 𝑥 𝑘𝑖 𝑦𝑖

Dengan derajat kebebasan dk=k 𝐽𝐾𝑟𝑒𝑠 = ∑(𝑌𝑖 − 𝑌̂𝑖 )2 Dengan derajat kebebasan dk= (n – k – 1) untuk sampel berukuran n.

Dengan demikian uji keberartian regresi berganda dapat dihitung dengan : 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 =

𝐽𝐾𝑟𝑒𝑔 /𝑘 𝐽𝐾𝑟𝑒𝑠 /(𝑛 − 𝑘 − 1)

Dimana statistik F yang menyebar mengikuti distribusi F dengan derajat kebebasan pembilang V1 = k dan penyebut V2 = n − k − 1


2.3 Koefisien Determinasi Koefisien determinasi yang dinyatakan dengan 𝑅 2 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 𝑅 2 akan ditentukan dengan rumus, yaitu : 𝑅2 =

𝐽𝐾𝑟𝑒𝑔 ∑ 𝑦 2𝑖

Keterangan : 𝐽𝐾𝑟𝑒𝑔

= Jumlah kuadrat regresi

Harga 𝑅 2 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 dua variabel (multivariate correlation) dalam suatu penelitian. Untuk menentukan seberapa besar hubungan antar variabel tersebut dapat dihitung dengan menggunakan rumus koefisien korelasi. Rumus untuk koefisien regresi adalah:


𝑛 ∑ 𝑋𝑖 𝑌𝑖 − (∑ 𝑋𝑖 )(∑ 𝑌𝑖 )

𝑟=

√{𝑛 ∑ 𝑋𝑖2 − (∑ 𝑋𝑖 )2 }{𝑛 ∑ 𝑌𝑖2 − (∑ 𝑌𝑖 )2 } Adapun untuk menghitung koefisien korelasi antara variabel terikat Y dan variabel bebas X1 , X2 , dan X3 yaitu : 1. Koefisien korelasi antara Y dan X1

ryx1

=

n  X

n  X 1Y   X 1  Y 2 1

  X 1 

2

n  Y

2

  Y 



  Y 

2



  Y 

2



2

2. Koefisien korelasi antara Y dengan X2

ryx 2

=

n  X

n  X 2Y   X 2  Y 2 2

  X 2 

2

n  Y

2

3. Koefisien korelasi antara Y dan X3 ryx 3

=

n  X

n  X 3Y   X 3  Y 2 3

  X 3 

2

n  Y

2

Koefisien korelasi memiliki nilai antara -1 hingga +1. Sifat nilai koefisien korelasi adalah (+) ataupun minus (-) yang menunjukan arah korelasi. Makna dari sifat korelasi adalah: 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 negatif (-) pada koefisien korelasi menunjukan hubungan yang berlawanan arah atau korelasi negatif. 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.

2.5 Kesalahan Standar Estimasi Untuk mengetahui ketetapan persamaan estimasi dapat digunakan kesalahan standar estimasi (standard error of estimate). Besarnya kesalahan standar estimasi menunjukkan 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 yang dihasilkan untuk menjelaskan nilai variabel tidak sesungguhnya.(Algifari. 2000. Analisa regresi Teori, Kasus dan Solusi, Edisi 2. Yogyakarta : BPFE. Hal 17). Kesalahan standar estimasi (kekeliruan baku taksiran) dapat ditentukan dengan rumus : ∑ 𝑌 − 𝑌̂𝑖 )2 𝑆𝑦,1,2,…,𝑘 = √ 𝑖 𝑛 −𝑘 − 1 Dimana 𝑌𝑖 adalah nilai data sebenarnya dan 𝑌̂𝑖 adalah nilai taksiran.


2.6 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 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 (confidence interval). Tingkat signifikansi adalah probabilitas melakukan kesalahan tipe 1, yaitu kesalahan menolak hipotesis ketika hipotesis tersebut benar. Kisaran tingkat signifikansi mulai dari 0,01 sampai dengan 0,1, namun umumnya digunakan 0,05. Tingkat kepercayaan pada umumnya ialah sebesar 95%, dimana sebesar 95% nilai sampel akan mewakili nilai populasi dimana sampel berasal. Dalam melakukan uji hipotesis terdapat dua hipotesis, yaitu:H0 (hipotesis 0) dan H1 (hipotesis alternatif). H0 bertujuan untuk memberikan usulan dugaan kemungkinan tidak adanya perbedaan antara perkiraan penelitian dengan keadaan yang sesungguhnya yang akan diteliti. H1 bertujuan memberikan usulan dugaan adanya perbedaan perkiraan dengan keadaan sesungguhnya yang akan diteliti.

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 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.

H0 : β0 = β1 = βk Tidak terdapat hubungan fungsional yang signifikan antara variabel bebas dengan variabel terikat. H1 : Minimal satu parameter koefisien regresi βk yang ≠ 0 Terdapat hubungan fungsional yang signifikan antara variabel bebas dengan variabel terikat.

2. Pilih taraf nyata ∝ yang diinginkan. 3. Hitung statistik Fhitung dengan menggunakan persamaan. 4. Nilai ttabel 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. Sebaliknya jika Fhitung ≤ Ftabel , maka H0 diterima dan H1 ditolak.


BAB 2 LANDASAN TEORI

Recommend Documents