analisis regresi linier berganda
DESCRIPTION
Analisis Regresi linier bergandaTRANSCRIPT
-
BAB I
1.1 Pengertian Analisis Regresi
Analisis regresi merupakan persamaan matematik yang memungkinkan kita
meramalkan nilai nilai suatu peubah tak bebas dari nilai-nilai satu atau lebih peubah bebas.
Analisis regresi adalah salah satu di antara beberapa teknik yang banyak digunakan untuk
menganalisis data multifaktor. Analisis regresi merupakan sebuah alat statistik yang
memberikan penjelasan tentang pola hubungan (model) antara dua variabel atau lebih. Dalam
analisis regresi, dikenal dua jenis variabel yaitu :
Variabel Respon disebut juga variabel dependent yaitu variable yang keberadaannya
dipengaruhi oleh variabel lainnya dan dinotasikan dengan Y.
Variabel Prediktor disebut juga variabel independent yaitu variabel yang bebas (tidak
dipengaruhi oleh variabel lainnya) dan dinotasikan dengan X.
Analisis regresi setidak-tidaknya memiliki 3 kegunaan, yaitu untuk tujuan deskripsi
dari fenomena data atau kasus yang sedang diteliti, untuk tujuan kontrol, serta untuk tujuan
prediksi. Regresi mampu mendeskripsikan fenomena data melalui terbentuknya suatu model
hubungan yang bersifatnya numerik. Regresi juga dapat digunakan untuk melakukan
pengendalian (kontrol) terhadap suatu kasus atau hal-hal yang sedang diamati melalui
penggunaan model regresi yang diperoleh
-
BAB II
2.2 Regresi Linier
Regresi linier adalah metode statistika yang digunakan untuk membentuk model
hubungan antara variabel terikat (dependen; respon; Y) dengan satu atau lebih variabel bebas
(independen, prediktor, X). Apabila banyaknya variabel bebas hanya ada satu, disebut
sebagai regresi linier sederhana, sedangkan apabila terdapat lebih dari 1 variabel bebas,
disebut sebagai regresi linier berganda.
2.2.1 Regresi Linier Sederhana
Digunakan untuk mengetahui pengaruh dari variabel bebas terhadap variabel terikat
atau dengan kata lain untuk mengetahui seberapa jauh perubahan variabel bebas dalam
mempengaruhi variabel terikat. Dalam analisis regresi sederhana, pengaruh satu variabel
bebas terhadap variabel terikat dapat dibuat persamaan sebagai berikut:
Keterangan :
Y = variabel terikat
X = variabel bebas
a = intersep
b = koefisien regresi/slop
Berdasarkan rumus ini dapat dinyatakan:
a menyatakan intersep atau perpotongan yang didefinisikan secara metematis
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 bernila sebesar intersep.
b 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.
Y = a + bX
-
Nilai a dan b sendiri dapat dicari dengan menggunakan rumus :
atau
Contoh:
Berdasarkan hasil pengambilan sampel secara acak tentang pengaruh lamanya belajar (X)
terhadap nilai ujian (Y) adalah sebagai berikut:
JUMLAH PANEN (Y) BANYAK PEKERJA
(X) X
2 XY
40 4 16 160
60 6 36 360
50 7 49 350
70 10 100 700
90 13 169 1170
Y=310 X=40 X2=370 XY=2740
= 20,4
= 5,2
-
Sehingga persamaan regresi sederhana adalah Y= 20,4 +5,2 X
Berdasarkan hasil perhitungan regresi sederhana tersebut dapat diketahui bahwa
:Banyaknya pekerja mempengaruhi jumlah panen yang dihasilkan, karena banyaknya pekerja
membawa pengaruh positif terhadap jumlah panen yang dihasilkan.
2.2.2 Regresi Linier Berganda
Analisis regresi linier berganda memberikan kemudahan bagi pengguna untuk
memasukkan lebih dari satu variabel prediktor hingga p -variabel predictor dimana
banyaknya p kurang dari jumlah observasi (n). Sehingga model regresi dapat ditunjukkan
sebagai berikut :
Penggunaan rumus di atas jika 0,1,.....p, adalah parameter yang harus diduga dari
data. Dengan melambangkan nilai dugaannya dengan b0,b1, ......., bp, maka dapat dituliskan
persamaan regresi menjadi bentuk :
Nilai dugaan kuadrat terkecil b0, b1, dan b2 dapat diperoleh dengan memecahkan
persamaan linier simultan:
1. Y = na + b1X1 + b2X2
2. YX1 = aX1 + b1X12+ b2X1X2
3. YX = aX2 + b1X1X2 + b2X22
Sistem persamaan linier tersebut dapat diselesaikan untuk mendapatkan b0, b1,
b2,b3bp dapat menggunakan matrik seperti di bawah ini :
Bentuk matrik di atas membantu untuk mendapatkan nilai b0, b1, b , b3,,.bp yang
artinya harus mencari atau menentukan sousi dari sistem persamaan linier. Banyak cara
mudah untuk mennyelesaikan persamaan tersebut, antara lain dengan menggunakan Cramer
Y = 0 +1X1 +2 X2 +...+p Xp
+
Y = b0 + b1X1 + b2X2 +...+bpXp
-
Maka x1, x2, x3, , xn dapat langsung dicari dengan membagi determinan matriks Aj
dengan determinan matriks koefisien A. Dimana :
STUDI KASUS 1
Data Peringkat Kimia, Nilai Ujian & Frekuensi Membolos Mahasiswa IKIP Jakarta
Siswa Peringkat Kimia (Y) Nilai Ujian (X1) Frekuensi Membolos (X2)
1
2
3
4
5
6
7
85
74
76
90
85
87
94
65
50
55
70
65
70
55
1
7
5
2
6
3
2
-
Siswa Peringkat Kimia (Y) Nilai Ujian (X1) Frekuensi Membolos (X2)
8
9
10
11
12
98
81
91
76
74
70
55
70
50
55
5
4
3
1
4
Tentukan persamaan regresinya!
Jawab :
X1 = Nilai ujian
X2 = Frekuensi membolos
Y = Peringkat kimia
X1 = 725 X2 = 43 (X1.X2) = 2540
X12 = 44.475 X2
2 = 195 Y = 1011
X1.Y = 61.685 X2.Y = 3581
=
Dengan memasukkan nilai-nilai ini ke dalam persamaan linier diatas, kita memperoleh :
12 b0 + 725 b1 + 43 b2 = 1011
725 b0 + 44.475 b1 + 2540 b2 = 61.685
43 b0 + 2540 b1 +195 b2 = 3581
-
Dengan menyelesaikan sistem persamaan linier ini, kita memperoleh b0 = 27.547, b1 =
0,922, dan b2 = 0,284. Dengan demikian persamaan regresinya adalah :
Y = 25.547 + 0,922 X1 + 0,284 X2
STUDI KASUS 2
Data berikut dikumpulkan untuk menentukan persamaan regresi hubungan antara
panjang bayi dengan umur dan berat waktu lahir.
Panjang
Bayi (Y)
Umur
(X1) X1
2 Bobot (X2) X2
2 X1.X2
57,5 78 6084 2,75 7,5625 214,5
52,8 69 4761 2,15 4,6225 148,35
61,3 77 5929 4,41 19,4481 339,57
67,0 88 7744 5,52 30,4704 485,76
53,5 67 4489 3,21 10,3041 215,07
62,7 80 6400 4,32 18,6624 345,6
56,2 74 5476 2,31 5,3361 170,94
68,5 94 8836 4,30 18,49 404,2
69,2 102 10404 3,71 13,7641 378,42
Y=548,7 X1=729 X12=60.123 X2=32,68 X2
2=128,66 X1.X2=2702,41
Jawab:
X1=729 X2=32,68 X1.X2= 2702,41
X12=60.123 X2
2 =128,66 Y = 548,7
X1.Y= 45001 X2.Y=2035,52
=
Dengan memasukkan nilai-nilai ini ke dalam persamaan linier diatas, kita memperoleh :
9 b0 + 729 b1 + 32,68 b2 = 548,7
729 b0 + 60.123 b1 + 2702,41 b2 = 45.001
32,68 b0 + 2702,41 b1 +128,66 b2 = 2035,52
-
Dengan menyelesaikan sistem persamaan linier ini, kita memperoleh b0 = 20,11 , b1 =
0,0041, dan b2 = 2,025. Dengan demikian persamaan regresinya adalah :
Y = 20,11 + 0,0041 X1 + 2,025 X2
STUDI KASUS 3
Seorang Manajer Pemasaran deterjen merek ATTACK ingin mengetahui apakah Promosi
dan Harga berpengaruh terhadap keputusan konsumen membeli produk tersebut?
Data Kasus
No
Keputusan
Konsumen
(Y)
Promosi
(X1) X1
2 X1.Y
Harga
(X2) X2
2 X2.Y X1.X2
1 23 10 100 230 7 49 161 70
2 7 2 4 14 3 9 21 6
3 15 4 16 60 2 4 30 8
4 17 6 36 102 4 16 68 24
5 23 8 64 184 6 36 138 48
6 22 7 49 154 5 25 110 35
7 10 4 16 40 3 9 30 12
8 14 6 36 84 3 9 42 18
9 20 7 49 140 4 16 80 28
10 19 6 36 114 3 9 57 18
Jumlah 170 60 406 1122 40 182 737 267
Jawab:
10 a + 60 b1 + 40 b2 = 170..... (1)
60 a + 406 b1 + 267 b2 = 1122.. (2)
40 a +267 b1 + 182 b2 = 737.. . (3)
Persamaan (1) dikalikan 6, persamaan (2) dikalikan 1:
60 a + 360 b1 + 240 b2 = 1020
60 a + 406 b1 + 267 b2 = 35136
0 a + -46 b1 + -27 b2 = -102............... ............. (4)
Persamaan (1) dikalikan 4, persamaan (3) dikalikan 1:
40 a + 240 b1 + 160 b2 = 680
40 a + 267 b1 + 182 b2 = 737
0 a + -27 b1 + -22 b2 = -57......... (5)
-
Persamaan (4) dikalikan 27, persamaan (5) dikalikan 46:
-1242 b1 - 729 b2 = -2754
-1242 b1 - 1012 b2 = -2622
0 b1 + 283 b2 = -132
b2 = -132 : 283 = -0,466
Harga b2 dimasukkan ke dalam salah satu persamaan (4) atau (5):
-102 = -46 b1- 27 (-0,466)
-102 = -46 b1+ 12,582
46 b1 = 114,582
b1 = 2,4909
Harga b1 dan b2 dimasukkan ke dalam persamaan (1):
170 = 10 a + 60 (2,4909) + 40 (-0,466)
170 = 10 a + 149,454 18,640
10 a = 170 149,454 + 18,640
a = 39,186 : 10 = 3,9186
Jadi:
a = 3,9186
b1 = 2,4909
b2 = -0,466
Keterangan:
a = konstanta
b1 = koefisien regresi X1
b2 = koefisien regresi X2
Persamaan regresi:
Y = 3,9186 + 2,4909 X1 0,466 X2
-
DAFTAR PUSTAKA
Walpole, R.E. 1995. Pengantar Statistika. Jakarta: Gramedia Pustaka Utama
Pujiati, S.A. 2011. Analisis Regresi Linier Berganda Untuk Mengetahui Hubungan Antara
Beberapa Aktifitas Promosi dengan Penjualan Produk. Surabaya: Institut
Teknologi Sepuluh Nopember. < http://blog.its.ac.id/ suherminstatistikaitsacid/
files/2008/09/regresi-linier-berganda.pdf > (25 Maret 2012)
Sukawi. 2010. Peran Analisis Regresi Berganda dalam Penelitian Survey Deskriptif.
Semarang: Universitas Diponegoro. < http://eprints.undip.ac.id/32381/1/sukawi
_ANALISIS_REGRESI_BERGANDA_DALAM_penelitian_survey.pdf >
(5 Maret 2012)