Analisis RegresiBy: Zulkarnain

Pengertian Merupakan alat yang dapat memberikan penjelasan hubungan antara dua jenis variabel yaitu hubungan antara variabel dependen atau variabel kriteria (Variabel outcome) dengan variabel independen atau variabel prediktorDigunakan untuk memprediksi peranan variabel bebas terhadap variabel terikat Dapat dilakukan untuk mengetahui linieritas variabel terikat dengan varibel bebasnya Analisis regresi linear sederhana terdiri dari satu variabel dependen dan satu variabel independen.

Analisis Regresi Sederhana Analisis regresi sederhana hanya melibatkan satu variabel independen X model liniernya adalah Y = o + 1X+ e y = adalah nilai subjek dalam variabel terikat yang diprediksikano = Koefisien konstan (intercept) = angka arah koefisien regresi1 = koefisien pada variabel bebas yang mempunyai nilai tertentu. e = error

Koefisien regresiKoefisien regresi dapat dibedakan menjadi 2 macamIntersep, definisi secara matematis adalah suatu titik perpotongan antara suatu garis dengan sumbu Y pada diagram/sumbu kartesius saat nilai X = 0. Sedangkan definisi secara statistika adalah nilai rata-rata pada variabel Y apabila nilai pada variabel X bernilai 0. Dengan kata lain, apabila X tidak memberikan kontribusi, maka secara rata-rata, variabel Y akan bernilai sebesar intersep.

slope merupakan ukuran kemiringan dari suatu garis. Slope adalah koefisien regresi untuk variabel X (variabel bebas). Dalam konsep statistika, slope merupakan suatu nilai yang menunjukkan seberapa besar kontribusi (sumbangan) yang diberikan suatu variabel X terhadap variabel Y. Nilai slope dapat pula diartikan sebagai rata-rata pertambahan (atau pengurangan) yang terjadi pada variabel Y untuk setiap peningkatan satu satuan variabel X.

Contoh model regresi:Y = 9.4 + 0.7*X + eAngka 9.4 merupakan intersep, 0.7 merupakan slope, sedangkan e merupakan errorPengertian error di dalam konsep statistika berbeda dengan pengertian error yang selama ini dipakai di dalam kehidupan sehari-hari. Di dalam konsep regresi linier, error adalah semua hal yang mungkin mempengaruhi variabel terikat Y, yang tidak diamati oleh peneliti. e = 1 r2

Using SPSSKlik

Continue

Output

Output

Interpretasi 1. KORELASI Berdasarkan hasil analisis seperti yang ditampilkan Tabel Model Summary diketahui bahwa korelasi antara kepuasan kerja dan kinerja pegawai didapat nilai r hitung sebesar 0,772.Nilai korelasi ini tergolong kuat (> 0,600) dan memiliki nilai positif sehingga dapat dikatakan pola hubungan antara kepuasan kerja dan kinerja adalah searah Koefisien determinasinya (r2) menunjukkan nilai sebesar 0,597 atau sebesar 59,70% (dibulatkan 60%) dari hasil (r2 x 100%). Artinya variasi perubahan kinerja dapat dijelaskan oleh kepuasan kerja sebesar 60% dan sisanya 40% dipengaruhi faktor lain selain kepuasan kerja.

Continue2. REGRESI Dari Tabel Coefficients diperoleh persamaan : Y = 20.268 + 1,035 XeKonstanta sebesar 20.268 menyatakan bahwa jika variabel kepuasan kerja bernilai nol, maka kinerja pegawai adalah sebesar 20.268 satuan3. Uji Hipotesis Dari hasil perhitungan didapat kesimpulan bahwa kepuasan kerja (X) memiliki hubungan yang siginifikan dengan kinerja. Hasil uji t (Tabel Coefficients) diperoleh nilai t hitung sebesar 7.194.

Uji F Uji F digunakan untuk uji ketepatan model, apakah nilai prediksi mampu menggambarkan kondisi sesungguhnya:

Ho: Diterima jika F hitung F tabelHa: Diterima jika F hitung > F tabel

Karena F hitung (51,751) p< 0.01. maka maka persamaan regresi dinyatakan Baik (good of fit).

Regresi BergandaKalau satu variabel dependen Y perlu dijelaskan oleh lebih dari satu variabel independen X, maka kita perlu membuat model yang sesuai dengan tujuan studi. Model tersebut adalah regresi linier ganda Sebuah metode untuk mengetahui variabel independen (variabel bebas) mana yang paling berpengaruh signifikan terhadap variabel dependen dengan analisis regresi ganda juga dapat diperoleh suatu penjelasan tentang peranan atau kontribusi relatif setiap variabel X terhadap variabel Y.

Continue

ContinueAda beberapa cara untuk mendapatkan model regresi berganda yaitu Enter, stepwise, forward dan backward. Metodeenteradalahmemasukkansemuaprediktorkedalam analisissekaligus.PerhatikanhasilanalisismelaluiSPSS. Semua prediktordimasukkansecarasimultan.

Output

output

MetodeSTEPWISESalah satu model terbaik dalam multiple regression adalah stepwise regression. Stepwise regression sangat menarik dan sudah umum digunakan dalam praktik karena merupakan kombinasi dari forward-selection dan backward-elimination. Model regresi berganda dengan metode stepwise dapat diketahui variabel yang signifikan pengaruhnya terhadap variabel dependen. Variabel yang tidak signifikan pengaruhnya terhadap variabel dependen secara otomatis akan dikeluarkan dari model, sehingga hanya variabel bebas yang memiliki pengaruh signifikan yang akan digunakan.

Kelebihan Metode StepwiseMenurut Diekhoff (1992) metode ini mempunyai kelebihan dibandingkan metode yang lain. Lebih ekonomis karena pada metode ini hanya variabel peramal (prediktor) yang signifikan saja yang dimasukan dalam regresiDapat mengatasi masalah multicollinearity yang muncul akibat korelasi yang kuat antara variabel-variabel prediktor. Korelasi ini dapat menyebabkan analisis menjadi kurang tepat

Using spss

output

ContinueMetodestepwiseadalahmemasukkanprediktorsecaraberta-hap berdasarkannilaiFyangsignifkan(sigFdibawah0.05).Prosesmemasukkandikombinasikandenganmengeliminasi prediktoryangtidaksignifikan(sigFdiatas0.05).

Continue..Backward Elimination Membuat model dengan memasukkan semua variabel kemudian dikeluarkan satu persatu dengan melakukan pengujian terhadap parameter parameternya dengan menggunakan partial F test. Nilai partial F-test (FL) terkecil dibandingkan dengan F0 table: Jika FL < F0, maka Variabel yang bersangkutan dikeluarkan dari model dan dilanjutkan dengan pembuatan model baru tanpa variable tersebut Jika FL>F0, maka proses dihentikan dan persamaan terakhir tersebut yang digunakan/dipilih. Variabel yang tidak menyumbang ke model regresi secara signifikan akan dikeluarkan

Backward Elimination PerhatikankeluarananalisisSPSS,ada2tahap.Tahappertama,semuaprediktormasuk,laluagreebleness.Yangtersisadidalamregresiadalah4 variable.

output

Forward SelectionDapat berarti memasukkan variabel bebas yang memiliki korelasi yang paling erat dengan variabel dependen (variabel yang paling potensial untuk memiliki hubungan linier dengan Y) Kemudian secara bertahap memasukkan variabel bebas yang potensial berikutnya dan nanti akan terhenti sampai tidak ada lagi variabel bebas yang potensial.

Continue..

Regresi variabel Dummymelibatkanvariabelkualitatifdalampenelitian (sebagaivariabelindependen)Data Kualitatif harus berbentuk data kategorik Belum bisa dibuat regresi secara langsung Variabel Dummy.Variabel dummy disebut juga variabel indikator, biner, kategorik, kualitatif, boneka, atau variabel dikotomi.Variabel Dummy pada prinsipnya merupakan perbandingan karakteristik.misalnyaapakahjeniskelamindapatmempre-diksiketahanankerjaseseorang

Perbedaan dengan Regresi BiasaRegresi biasa hanya membahas analisis terhadap variabel-variabel kuantitatif saja.Y = a+bX+Regresi variabel dummy membahas analisis terhadap variabel kuantitatif dan juga variabel kualitatif saja.Y = a+bDi+

ANALISIS REGRESI TERHADAP SATU VARIABEL DUMMY DENGAN DUA KRITERIA Y = Nilai yang diramalkana= Konstanstab = Koefisien regresi untuk D1D1 = Variabel Dummy dengan dua kategori = Nilai Residu

Persamaan regresi variabel dummy dua kategori:Y = a + bDi + Model regresi dengan satu variabel kualitatif tanpa mengikutsertakan variabel kuantitatif lainnya adalah serupa dengan analisis ragam (Anova model)

SISTEMPENGKODEANDUMMYPengkodeandatakategorikalmemerlukanpengkategorianeksklusif.Artinyasatusubjek/sampeladalahmasukdalamsatukategori,tidakbolehduakategori.tidakbolehmasukkedalamkategoriPNSdanwiraswasta meskipunkeduaprofesitersebutdijalani.Aturaniniberlakuvariabeldummy.

Seorangpenelititertarikuntukmemprediksilaba2macam perusahaan(swastaasingdanswastanasional) Biladitinjaudaribesarnyabiayaiklanyangdikeluarkanolehperusahaanuntuk membuatiklanmengenaiproduknya. (Untukperusahaanswastaasing,labayangdiamatiadalahlaba yangdiperolehdarihasilpenjualanproduknyadiwila yahIndonesiasaja)

iklan = biaya iklan (juta rupiah)laba = laba perusahaan (juta rupiah)tipe = jenis perusahaan (1= asing; 0 = nasional) Regresi variabel Dummy

Kasus semacam ini dapat diselesaikan dengan metode regresi menggunakan variabel dummy. Hanya saja yang perlu diperhatikan adalah teknik menyusun variabel dummy dalam analisis regresinya. Dari contoh kasus di atas, variabel respon (Y) adalah Laba perusahaan, variabel bebas (X) adalah biaya iklan, sedangkan variabel dummy-nya adalah tipe perusahaan, yaitu swasta asing dan swasta nasonal. Kita sebut terdapat 2 tipe/kategori perusahaan. Untuk menyusun variabel dummy-nya, maka kita perlu menentukan terlebih dahulu banyaknya variabel dummy yang digunakan. Banyaknya variabel dummy yang digunakan adalah sebanyak kategori dikurangi satu. Rumus: banyaknya var dummy = banyaknya kategori 1. Dalam kasus kita di atas, maka banyaknya variabel dummy adalah = 2-1 = 1 buah. Misalkan jika perusahaan swasta asing dilambangkan dengan angka 1, sedangkan swasta nasional 0,

Kolom tipe merupakan variabel dummy. Perhatikan bahwa pengamatan ke-1 didapat dari perusahaan swasta asing, sedangkan pengamatan yang ke-2 didapat dari swasta nasional. Nah, dari sini sudah dapat melakukan analisis regresi menggunakan variabel dummy berdasarkan model regresi: Laba = b0 + b1*Iklan + b2*tipe + error.

Persamaan regresi yang didapat:

Laba = 1.33326 + 0.43086*iklan + 2.6617*tipeBahwa koefisien b2 = 2.66170 signifikan secara statistika pada taraf nyata 1% Maka dapat disimpulkan bahwa laba perusahaan swasta asing yang melakukan pembiayaan iklan untuk produknya berbeda secara nyata dengan perusahaan swasta nasional yang juga melakukan pembiayaan untuk membuat iklan, yaitu ratarata sebesar 2.66617 juta rupiah.Misal, bila perusahaan swasta asing dan nasional samasama mengeluarkan biaya iklan sebesar 1 juta rupiah, maka prediksi laba mereka adalah:Perusahaan swasta asing:Laba = 1.33326 + 0.43086*1 + 2.6617*1 = 4.42582 juta rupiah.Perusahaan swasta nasional:Laba = 1.33326 + 0.43086*1 + 2.6617*0 = 1.76412 juta rupiah.Selisih laba mereka: 4.42582 1.76412 = 2.6617 juta rupiah.

Menyusun variabel dummy

Tekan menu ANALYZE REGRESSION LINIER. Pada menu yang ditampilkan masukkan variabel puas (Y) pada DEPENDENT, trus tahan (X1) pada kolom INDEPENDENT. Klik OK.

.Untukmemprediksikepuasankerja(Y)berdasarkan jabatan(X2).Variabeljabatantelahdidummydengankodekategori1 untukmanajerdan0untukpelaksanamenuANALYZEREGRESSIONLINIER.Padamenuyangditampilkanmasukkanvariabelpuas(Y)padaDEPENDENT,trus jabatan(X2)padakolomINDEPENDENTKlikOK.

Output

Interpretasi Dari hasil Anova menunjukkan bahwa nilai F = 40.668; p

.Untukmemprediksikepuasankerja(Y)berdasarkan bidangkerja(X3).Variabel bidang kerja yaitu suplai dan produksimenuANALYZEREGRESSIONLINIER.Padamenuyangditampilkanmasukkanvariabelpuas(Y)padaDEPENDENT,trus jabatan(X2)padakolomINDEPENDENTKlikOK.

Output

interpretasiTerlihat pada tabel ANOVA bahwa bidang kerja tidak mampu memprediksi kepuasan (F=.816; p>0.05).Prediksi kepuasan dapat kita ketahui melalui persamaan regresiY = B0 + B1 (SUPLAI) + B2 (PRODUKSI)Y = 6.750 1.417 (SUPLAI) 0.583 (PRODUKSI)ingat MARKETING tidak kita masukkan karena menjadi kategori yang dijadikan referensi, seperti halnya PELAKSANA

Jika kita ditanya berapa KEPUASAN bidang SUPLAI ?Y = 6.750 1.417 (1) 0.583 (0) =4.75Berapa KEPUASAN bidang MARKETING ?Y = 6.750 1.417 (o) 0.583 (0) =6.75

BukalahSPSSTekanmenuANALYZEREGRESSIONLINIER.PadamenuyangditampilkanmasukkanvariabelPUAS(Y)pada DEPENDENT,trustahan(X1),Jabatan(X2),dan2kategoribidangkerja (X3),yaituSUPLAIdanPRODUKSIpada INDEPENDENT(S)laluklikOK.

Output

Interpretasi Dari hasil Anova menunjukkan bahwa nilai F = 13.361; p