BAB XV

ANALISIS REGRESI

1.1 Pengertian Analisis Regresi

Analisis regresi merupakan metode statistika yang amat banyak digunakan
dalam peneltian. Istilah regresi pertama kali diperkenalkan oleh Sir Francis Galton
pada tahun 1886. Galton menemukan adanya hubungan bahwa orang tua yang
memeliki tubuh tinggi memiliki anak-anak yang tinggi pula, orang tua yang
pendek memiliki anak-anak yang pendek pula. Kendati demikian ia mengamati
bahwa adanya kecenderungan tinggi anak, cenderung bergerak menuju rata-rata
tinggi populasi secara menyeluruh. Dengan kata lain, ketinggian anak yang amat
tinggi atau orang tua yang amat pendek cenderung bergerak kearah tinggi
populasi.
Secara umum regresi adalah studi mengenai ketergantungan satu variabel
(variabel tak bebas/ variabel respon) dengan satu atau lebih variabel bebas/
variabel penjelas. Hasil dari analisi regresi merupakan suatu persamaan, yaitu
persamaan matematika. Persamaan tersebut digunakan sebagai prediksi. Dengan
demikian analisis regresi sering disebut dengan analisis prediksi. Karena
merupakan prediksi, maka nilai prediksi tidak selalu tepat dengan nilai realnya,
semakin kecil tingkat penyimpangannya antar prediksi dengan nilai riilnya, maka
semakin tepat persamaan regresi yang dibentuk.
Persamaan regresi adalah suatu persamaan matematika yang
mendefinisikan hubungan antara dua variabel yaitu hubungan keterkaitan antara
satu atau beberapa variabel yang nilainya sudah diketahui dengan satu variabel
yang nilainya belum diketahui, sifat hubungan antara dalam persamaan
meruoakan hubungan sebab akibat. Oleh karena itu, sebelum menggunakan
persamaan regresi dalam menjelaskan hubungan antara dua atau lebih variabel,
perlu diyakini terlebih dahulu bahwa secara teoritis atau perkiraan sebelumnya,
bahwa variabel-variabel tersebut memiliki hubungan sebab akibat. Variabel yang
nilainya akan mempengaruhi variabel tersebut disebut variabel bebas (X).
sedangkan variabel yang nilainya dipengaruhi oleh variabel lain adalah variabel
tergantung (Y).
Analisis regresi dikelompokkan menjadi dua bagian yaitu analisis regresi
sederhana (analisis regresi tunggal) dan analisis regresi ganda. Regresi sederhana
dimaksudkan untuk menganalisis hubungan antara satu variabel bebas (X) dengan
satu variabel terikat (Y). Regresi berganda digunakan untuk analisis hubungan
dua atau lebih variabel bebas (misalnya X1 dan X2) dengan satu variabel terikat
(Y).

1.2 Regresi Linier Sederhana

Sebagaimana diketahui, banyaknya kejadian didunia ini yang merupakan
kejadian yang saling menyebabkan. Kejadian yang saling menyebabkan adalah
suatu kejadian yang keterjadiannya akan menyebabkan keterjadian kejadian yang
lain. Contoh yang kongkrit adalah penggunaan metode belajar think pair share
meningkatkan hasil belajar siswa.
Untuk mencari suatu pengaruh variabel terhadap variabel lain, alat analisis
yang kita gunakan adalah analisis regresi. Hasil analisis regresi berupa persamaan
regresi yang merupakan fungsi prediksi suatu variabel dengan menggunakan
variabel lain.
Model regresi linier sederhana merupakan persamaan yang menyatakan
hubungan antara satu variabel predictor (X) dan satu variabel respon (Y), yang
biasanya digambarkan dalam suatu garis lurus.

Persamaan regresi linier sederhana : Yˆ  a  bX

Keterangan: Yˆ  regresi (dibaca Y topi)
a = konstanta
b = koefisien regresi
Y = Variabel dependen/ variabel terikat/ variabel tak bebas
(kejadian)
X = Variabel independen/ variabel bebas/ variabel predictor
(penyebab)
Koefisien-koefisen regresi dapat dihitung dengan rumus:
( Yi )(  X i )  ( X i )(  X i Yi )
2

a
n X i  ( X i ) 2
2

n( X iYi ) ( X i )( Yi )

b
n X i  ( X i ) 2
2
1.3 Regresi Linier Ganda
Regresi linier ganda berguna untuk meramal variabel dependen yang
dipengaruhi oleh dua atau lebih variabel independen. Dengan kata lain, regresi
linier ganda berguna untuk mencari pengaruh (hubungan fungsional) dua variabel
independen atau lebih terhadap variabel dependennya.
Adapun rumus yang dipakai disesuaikan dengan jumlah variabel yang diteliti,
yaitu sebagai berikut:
Untuk 2 prediktor : Ŷ = a + b1X1 + b2X2
Untuk 3 prediktor : Ŷ = a + b1X1 + b2X2 + b3X3
Untuk 4 prediktor : Ŷ = a + b1X1 + b2X2 + b3X3 + b4X4
Maka, persamaan umum regresi linier ganda adalah:

Ŷ = a + b1X1 + b2X2 + ...... + bnXn

Keterangan:
Ŷ = Respon (variabel terikat/dependen)
a = Constanta
b1, b2, ...., bn = Koefisien regresi variabel independen 1, 2, dst.
X1, X2, ...., Xn = Prediktor (variabel bebas/independen)

1.4 Manfaat Analisis Regresi

Analisis regresi sangat berguna dalam penelitian antara lain:
1. Model regresi dapat digunakan untuk mengukur kekuatan hubungan antara
variabel respons dan variabel predictor.
2. Model regresi dapat digunakan untuk mengetahui pengaruh suatu atau
beberapa variable predictor terhadap variabel respons. Model regresi
berguna untuk memprediksi pengaruh suatu variabel atau beberapa
variabel predictor terhadap variable respons

1.5 Contoh-Contoh Bentuk Hubungan

1. Berat Orang Dewasa Laki-laki sampai taraf tertentu akan bergantung
kepada tinggi badannya,
2. Hasil Produksi padi akan sangat tergantung pada jumlah dan kualitas
pupuk yang digunakan,
3. Hasil Omzet penjualan sebuah super market akan dipengaruhi oleh
banyaknya pengunjung,
4. Produktivitas Kerja suatu institusi sangat bergantung pada motivasi kerja
dan kompetensi pegawai pada institusi tersebut,
5. Tekanan dari semacam gas akan bergantung pada besaran temperatur yang
diberikan.
6. Efektivitas Organisasi yang sudah berjalan baik akan mendukung
mekanisme proses Pendistribusian Beras bagi masyarakat miskin.

1.6 Model-Model Hubungan Antar Variabel

1. Hubungan Simetris, terjadi apabila variabel yang satu tidak disebabkan
atau dipengaruhi oleh variabel yang lainnya.
2. Hubungan Asimetris, terjadi antar dua variabel atau lebih yang satu
menyebabkan variabel yang lainnya.
3. Hubungan Timbal Balik, terjadi apabila variabel yang satu dapat menjadi
sebab dan juga bisa merupakan akibat dari variabel yang lainnya.

1.7 Analisis Regresi

1. Terapan analisis regresi di berbagai bidang pada umumnya dikaitkan
dengan studi ketergantungan suatu variabel (variabel tak bebas: Y) pada
variabel lainnya (variabel bebas: X).
2. Variabel Y (tak bebas) sering pula disebut variabel respon, variabel yang
diregresi, yaitu variabel yang nilainya dipengaruhi oleh variabel bebas.
3. Variabel X (bebas) sering pula disebut variabel penjelas atau variabel
peregresi umumnya variabel ini ditetapkan lebih dahulu baru kemudian
dilakukan pengamatan terhadap nilai-nilai responnya.
4. Dalam analisis regresi secara empiris banyak dijumpai hubungan sebab
akibat yang kuat antara variabel respon dan variabel-variabel penjelas
untuk memantapkan adanya hubungan sebab akibat yang sebenarnya akan
lebih baik apabila ada landasan teori yang mendukungnya.
5. Dengan kata lain, pembentukan model yang sebenarnya harus didasarkan
pada suatu pengetahuan, teori sementara, atau tujuan yang beralasan dan
bukan asal ditentukan saja.

1.8 Analisis Regresi Linier Sederhana

Latar belakang: Pada sebuah perkebunan kelapa sawit di DB A Plantation,
pertumbuhan tanaman menghasilkan (TM 2) di beberapa blok (areal tanam) tidak
sama. Padahal perlakuan yang diberikan terhadap tanaman sawit sama. Akan
tetapi pada beberapa blok, jarak tanam yang digunakan berbeda hal ini
dikarenakan keadaan lokasi tanamnya.
Untuk mengkaji hal tersebut lebih lanjut maka dilakukan pengamatan dan
penelitian untuk mengetahui pengaruh antara jarak tanam kelapa sawit (X)
terhadap pertumbuhan tanaman menghasilkan (Y). Kemudian diambil sampel
secara acak dari beberapa blok sebanyak 12 tanaman. dengan taraf signifikansi (α
= 0.05), maka didapat data sebagai berikut :
Tabel 1. Data

Jarak Tanam (X) Pertumbuhan (Y)

6 5,2
7 5,7
8 6,1
9 6,4
6 5
8 5,9
8 6
7 5,6
9 6,4
9 6,5
6 5,1
7 5,6
Pertanyaan :
a. Bagaimana persamaan regresinya ?
b. Gambarkan diagram pencar dan arah regresinya ?
c. Berapakah pertumbuhan tanaman kelapa sawit pada jarak tanaman 9,2 m?
d. Buktikan apakah terdapat pengaruh yang signifikan antara jarak tanam
kelapa sawit (X) terhadap pertumbuhan sawit (Y) ?
Jawab :
a) Membuat Ha dan H0 dalam bentuk kalimat:
Ha: Terdapat pengaruh yang signifikan antara jarak tanam terhadap
pertumbuhan tanaman.
H0: Tidak terdapat pengaruh yang signifikan antara jarak tanam terhadap
pertumbuhan tanaman.
b) Membuat Ha dan H0 dalam
bentuk statistik: Ha : r ¹ 0
Ha : r = 0
c) Buat tabel pembantu menghitung angka statistik Tabel 2. Tabel Pembantu
X Y X2 Y2 XY
6 5,2 36 27,04 31,2
7 5,7 49 32,49 39,9
8 6,1 64 37,21 48,8
9 6,4 81 40,96 57,6
6 5,0 36 25 30
8 5,9 64 34,81 47,2
8 6,0 64 36 48
7 5,6 49 31,36 39,2
9 6,4 81 40,96 57,6
9 6,5 81 42,25 58,5
6 5,1 36 26,01 30,6
7 5,6 49 31,36 39,2
∑X= ∑Y=
90 69,5 ∑X2 = 690 ∑ Y2 = 405,45 ∑ XY = 527,8
Keterangan :
X = Jarak Tanam Kelapa Sawit (m) Y = Pertumbuhan Kelapa Sawit (m)
d) Masukkan angka-angka statistik dan buatlah persamaan regresi :
1. Menghitung rumus b
n.åXY - åX .åY 12.(527,8) -(90).(69,5) 78,6
b= n.åX 2 - (åX )2 = (12).(690) -(90)2 = 180 = 0,44
2. Menghitung rumus a
a = åY -b.åX = 69,5 -(0,44).(90) = 24,5 = 2,04
n1212
3. Persamaan regresi sederhana dengan rumus :
Y =a +bX
(Jawaban a)
Y =2,04 +0,44 X
4. Membuat garis persamaan regresi