BAB I
PENDAHULUAN
A. Latar Belakang
Analisis regresi merupakan analisis yang mempelajari bagaimana membangun sebuah model fungsional dari data untuk dapat menjelaskan ataupun meramalkan suatu fenomena alami atas dasar fenomena yang lain. Ada juga yang menyatakan bahwa analisis regresi merupakan suatu analisis mengenai hubungan antara dua variable atau lebih yang umumnya dinyatakan dalam persamaan matematik. Dalam statistika sebuah model regresi dikatakan baik atau cocok,jika dipenuhi asumsi-asumsi ideal (klasik), yakni tidak adanya otokorelasi, heteroskedastisitas dan multikolinieritas. Sehingga proses kontrol terhadap model perlu dilakukan untuk menelaah dipenuhi tidaknya asumsi tersebut. Salah satu dari ketiga asumsi model regresi linier klasik adalah yakni tidak terdapat multikolinearitas di antara variabel yang menjelaskan yang termasuk dalam model.
Ada beberapa prosedur yang dapat digunakan untuk mengatasi masalah multikolinearitas, seperti : pengunaan informasi apriori dari hubungan beberapa variable yang berkolinear, menghubungkan data cross-sectional dan data time series, mengeluarkan suatu variabel atau beberapa variabel bebas yang terlibat hubungan kolinear, melakukan transformasi variabel dengan prosedur first difference, melalui ln (logaritma) dan penambahan data baru dan juga melalui ridge regression. Akan tetapi pada prakteknya prosedur penanggulangan yang telah disebutkan di atas sangat tergantung sekali pada kondisi penelitian, misalnya : penggunaan informasi apriori sangat tergantung dari ada atau tidaknya dasar teori (literatur) yang sangat kuat untuk mendukung hubungan matematis antara variabel bebas yang saling berkolinear, prosedur mengeluarkan variabel bebas yang berkolinear seringkali membuat banyak peneliti keberatan karena prosedur ini akan mengurangi obyek penelitian yang diangkat, sedangkan prosedur lainnya seperti menghubungkan data cross sectional dan time series, prosedur first difference dan penambahan data baru seringkali hanya memberikan efek penanggulangan yang kecil pada masalah multikolinearitas.
B. Identifikasi Masalah
Berdasarkan paparan yang telah dijelaskan pada bagian latar belakang, maka dapat diidentifikasi masalah sebagai berikut :
1. Memahami pengertian analisis regresi?
2. Bagaimana menguji suatu model regresi dikatakan sudah baik?
3. Bagaimana menaksir Model Regresi dalam kondisi ideal ?
C. Tujuan Penelitian
Tujuan menggunakan analisis regresi ialah :
- Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasarkan pada nilai variabel bebas.
- Menguji hipotesis karakteristik dependensi
- Untuk meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai variabel bebas diluar jangkaun sample.
C. Manfaat Penelitian
Manfaat yang dapat diperoleh dari penelitian ini adalah kita dapat memahami segala tindakan yang perlu dilakukan dalam mengidentifikasi serta dalam menanggulangi masalah analisis regresi untuk penelitian-penelitian yang akan datang.
D. Kerangka Pemikiran
Penggunaan regresi sederhana didasarkan pada asumsi diantaranya sbb :
- Model regresi harus linier dalam parameter
- Variabel bebas tidak berkorelasi dengan disturbance term (Error)
- Varian untuk masing-masing error term (kesalahan) konstan
- Tidak terjadi otokorelasi
- Model regresi dispesifikasi secara benar. Tidak terdapat bias spesifikasi dalam model yang digunakan dalam analisis empiris.
E. Metode Analisis
Metode analisis dapat didasarkan dengan menggunakan dua hal, yaitu: tingkat signifikansi atau probabilitas (α) 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 I, 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 sample akan mewakili nilai populasi dimana sample berasal.
BAB II
PEMBAHASAN DAN HASIL
1.1 Landasan Teori
Untuk mengukur besarnya pengaruh variabel bebas terhadap variabel tergantung dan memprediksi variabel tergantung dengan menggunakan variabel bebas. Gujarati (2006) mendefinisikan analisis regresi sebagai kajian terhadap hubungan satu variabel yang disebut sebagai variabel yang diterangkan (the explained variabel) dengan satu atau dua variabel yang menerangkan (the explanatory). Variabel pertama disebut juga sebagai variabel tergantung dan variabel kedua disebut juga sebagai variabel bebas. Jika variabel bebas lebih dari satu, maka analisis regresi disebut regresi linear berganda. Disebut berganda karena pengaruh beberapa variabel bebas akan dikenakan kepada variabel tergantung.
1.2 Model Regresi
Model kelayakan regresi linear didasarkan pada hal-hal sebagai berikut:
a. Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar < 0.05
b. Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini diketahui jika angka Standard Error of Estimate < Standard Deviation
c. Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi signifikan jika T hitung > T table (nilai kritis)
d. Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi yang sangat tinggi atau sangat rendah antar variabel bebas. Syarat ini hanya berlaku untuk regresi linier berganda dengan variabel bebas lebih dari satu.
e. Tidak terjadi otokorelasi. Terjadi otokorelasi jika angka Durbin dan Watson (DB) sebesar < 1 dan > 3
f. Keselerasan model regresi dapat diterangkan dengan menggunakan nilai r2 semakin besar nilai tersebut maka model semakin baik. Jika nilai mendekati 1 maka model regresi semakin baik. Nilai r2 mempunyai karakteristik diantaranya: 1) selalu positif, 2) Nilai r2 maksimal sebesar 1. Jika Nilai r2 sebesar 1 akan mempunyai arti kesesuaian yang sempurna. Maksudnya seluruh variasi dalam variabel Y dapat diterangkan oleh model regresi. Sebaliknya jika r2 sama dengan 0, maka tidak ada hubungan linier antara X dan Y.
g. Terdapat hubungan linier antara variabel bebas (X) dan variabel tergantung (Y)
h. Data harus berdistribusi normal
i. Data berskala interval atau rasio
j. Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas (disebut juga sebagai variabel predictor) sedang variabel lainnya variabel tergantung (disebut juga sebagai variabel response)
1.3 Karakteristik Model Regresi
Model dikatakan baik menurut Gujarati (2006), jika memenuhi beberapa kriteria seperti di bawah ini:
- Parsimoni: Suatu model tidak akan pernah dapat secara sempurna menangkap realitas; akibatnya kita akan melakukan sedikit abstraksi ataupun penyederhanaan dalam pembuatan model.
- Mempunyai Identifikasi Tinggi: Artinya dengan data yang ada, parameter-parameter yang diestimasi harus mempunyai nilai-nilai yang unik atau dengan kata lain, hanya akan ada satu parameter saja.
- Keselarasan (Goodness of Fit): Tujuan analisis regresi ialah menerangkan sebanyak mungkin variasi dalam variabel tergantung dengan menggunakan variabel bebas dalam model. Oleh karena itu, suatu model dikatakan baik jika eksplanasi diukur dengan menggunakan nilai adjusted r2 yang setinggi mungkin.
- Konsitensi Dalam Teori: Model sebaiknya segaris dengan teori. Pengukuran tanpa teori akan dapat menyesatkan hasilnya.
- Kekuatan Prediksi: Validitas suatu model berbanding lurus dengan kemampuan prediksi model tersebut. Oleh karena itu, pilihlah suatu model yang prediksi teoritisnya berasal dari pengalaman empiris.
BAB III
KESIMPULAN DAN SARAN
A. Kesimpulan
Analisis regresi berbeda dengan analisis korelasi. Jika analisis korelasi digunakan untuk melihat hubungan dua variable; maka analisis regresi digunakan untuk melihat pengaruh variable bebas terhadap variable tergantung serta memprediksi nilai variable tergantung dengan menggunakan variable bebas. Dalam analisis regresi variable bebas berfungsi untuk menerangkan (explanatory) sedang variable tergantung berfungsi sebagai yang diterangkan (the explained). Dalam analisis regresi data harus berskala interval atau rasio. Hubungan dua variable bersifat dependensi. Untuk menggunakan analisis regresi diperlukan beberapa persyaratan yang harus dipenuhi.
B. Saran
Walaupun tampak canggih, analisis faktor bukan segalanya. Teknik ini tidak terlepas dari berbagai kelemahan. Keterbatasan utama adalah tingginya subjektivitas dalam penentuan jumlah faktor dan interpretasi setiap faktor. Untuk itu, diperlukan suatu teori-teori yang mendukung untuk menentukan banyaknya faktor yang terbentuk secara tepat.
DAFTAR PUSTAKA
- Dien Sukardinah, Soemartini, I.Gde.Mindra .2005. Bahan Kuliah Regresi Lanjutan. Bandung.
- Gujarati, Damodar. Ekonometrika Dasar. Jakarta : Penerbit Erlangga.
- http://dickyrahardi.blogspot.com/2006/12/principal component analisis-pca.html.
- Santoso, Singgih. 2002. SPSS Statistik Multivariat. Jakarta : PT. Elex Media Kompitundo.
- Simamora, Bilson. 2005. Analisis Multivariat Pemasaran. Jakarta : PT. Gramedia Pustaka Utama.
- Supranto, M.A. 2004. Analisis Multivariat (Arti & Interpretasi). Jakarta : Rineka Cipta.
- www.Google.com /Multikolinearitas/Principal Component Analysis (PCA) Metode Jitu Untuk Mengatasi Masalah Multikolinearitas.
PENDAHULUAN
A. Latar Belakang
Analisis regresi merupakan analisis yang mempelajari bagaimana membangun sebuah model fungsional dari data untuk dapat menjelaskan ataupun meramalkan suatu fenomena alami atas dasar fenomena yang lain. Ada juga yang menyatakan bahwa analisis regresi merupakan suatu analisis mengenai hubungan antara dua variable atau lebih yang umumnya dinyatakan dalam persamaan matematik. Dalam statistika sebuah model regresi dikatakan baik atau cocok,jika dipenuhi asumsi-asumsi ideal (klasik), yakni tidak adanya otokorelasi, heteroskedastisitas dan multikolinieritas. Sehingga proses kontrol terhadap model perlu dilakukan untuk menelaah dipenuhi tidaknya asumsi tersebut. Salah satu dari ketiga asumsi model regresi linier klasik adalah yakni tidak terdapat multikolinearitas di antara variabel yang menjelaskan yang termasuk dalam model.
Ada beberapa prosedur yang dapat digunakan untuk mengatasi masalah multikolinearitas, seperti : pengunaan informasi apriori dari hubungan beberapa variable yang berkolinear, menghubungkan data cross-sectional dan data time series, mengeluarkan suatu variabel atau beberapa variabel bebas yang terlibat hubungan kolinear, melakukan transformasi variabel dengan prosedur first difference, melalui ln (logaritma) dan penambahan data baru dan juga melalui ridge regression. Akan tetapi pada prakteknya prosedur penanggulangan yang telah disebutkan di atas sangat tergantung sekali pada kondisi penelitian, misalnya : penggunaan informasi apriori sangat tergantung dari ada atau tidaknya dasar teori (literatur) yang sangat kuat untuk mendukung hubungan matematis antara variabel bebas yang saling berkolinear, prosedur mengeluarkan variabel bebas yang berkolinear seringkali membuat banyak peneliti keberatan karena prosedur ini akan mengurangi obyek penelitian yang diangkat, sedangkan prosedur lainnya seperti menghubungkan data cross sectional dan time series, prosedur first difference dan penambahan data baru seringkali hanya memberikan efek penanggulangan yang kecil pada masalah multikolinearitas.
B. Identifikasi Masalah
Berdasarkan paparan yang telah dijelaskan pada bagian latar belakang, maka dapat diidentifikasi masalah sebagai berikut :
1. Memahami pengertian analisis regresi?
2. Bagaimana menguji suatu model regresi dikatakan sudah baik?
3. Bagaimana menaksir Model Regresi dalam kondisi ideal ?
C. Tujuan Penelitian
Tujuan menggunakan analisis regresi ialah :
- Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasarkan pada nilai variabel bebas.
- Menguji hipotesis karakteristik dependensi
- Untuk meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai variabel bebas diluar jangkaun sample.
C. Manfaat Penelitian
Manfaat yang dapat diperoleh dari penelitian ini adalah kita dapat memahami segala tindakan yang perlu dilakukan dalam mengidentifikasi serta dalam menanggulangi masalah analisis regresi untuk penelitian-penelitian yang akan datang.
D. Kerangka Pemikiran
Penggunaan regresi sederhana didasarkan pada asumsi diantaranya sbb :
- Model regresi harus linier dalam parameter
- Variabel bebas tidak berkorelasi dengan disturbance term (Error)
- Varian untuk masing-masing error term (kesalahan) konstan
- Tidak terjadi otokorelasi
- Model regresi dispesifikasi secara benar. Tidak terdapat bias spesifikasi dalam model yang digunakan dalam analisis empiris.
E. Metode Analisis
Metode analisis dapat didasarkan dengan menggunakan dua hal, yaitu: tingkat signifikansi atau probabilitas (α) 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 I, 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 sample akan mewakili nilai populasi dimana sample berasal.
BAB II
PEMBAHASAN DAN HASIL
1.1 Landasan Teori
Untuk mengukur besarnya pengaruh variabel bebas terhadap variabel tergantung dan memprediksi variabel tergantung dengan menggunakan variabel bebas. Gujarati (2006) mendefinisikan analisis regresi sebagai kajian terhadap hubungan satu variabel yang disebut sebagai variabel yang diterangkan (the explained variabel) dengan satu atau dua variabel yang menerangkan (the explanatory). Variabel pertama disebut juga sebagai variabel tergantung dan variabel kedua disebut juga sebagai variabel bebas. Jika variabel bebas lebih dari satu, maka analisis regresi disebut regresi linear berganda. Disebut berganda karena pengaruh beberapa variabel bebas akan dikenakan kepada variabel tergantung.
1.2 Model Regresi
Model kelayakan regresi linear didasarkan pada hal-hal sebagai berikut:
a. Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar < 0.05
b. Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini diketahui jika angka Standard Error of Estimate < Standard Deviation
c. Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi signifikan jika T hitung > T table (nilai kritis)
d. Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi yang sangat tinggi atau sangat rendah antar variabel bebas. Syarat ini hanya berlaku untuk regresi linier berganda dengan variabel bebas lebih dari satu.
e. Tidak terjadi otokorelasi. Terjadi otokorelasi jika angka Durbin dan Watson (DB) sebesar < 1 dan > 3
f. Keselerasan model regresi dapat diterangkan dengan menggunakan nilai r2 semakin besar nilai tersebut maka model semakin baik. Jika nilai mendekati 1 maka model regresi semakin baik. Nilai r2 mempunyai karakteristik diantaranya: 1) selalu positif, 2) Nilai r2 maksimal sebesar 1. Jika Nilai r2 sebesar 1 akan mempunyai arti kesesuaian yang sempurna. Maksudnya seluruh variasi dalam variabel Y dapat diterangkan oleh model regresi. Sebaliknya jika r2 sama dengan 0, maka tidak ada hubungan linier antara X dan Y.
g. Terdapat hubungan linier antara variabel bebas (X) dan variabel tergantung (Y)
h. Data harus berdistribusi normal
i. Data berskala interval atau rasio
j. Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas (disebut juga sebagai variabel predictor) sedang variabel lainnya variabel tergantung (disebut juga sebagai variabel response)
1.3 Karakteristik Model Regresi
Model dikatakan baik menurut Gujarati (2006), jika memenuhi beberapa kriteria seperti di bawah ini:
- Parsimoni: Suatu model tidak akan pernah dapat secara sempurna menangkap realitas; akibatnya kita akan melakukan sedikit abstraksi ataupun penyederhanaan dalam pembuatan model.
- Mempunyai Identifikasi Tinggi: Artinya dengan data yang ada, parameter-parameter yang diestimasi harus mempunyai nilai-nilai yang unik atau dengan kata lain, hanya akan ada satu parameter saja.
- Keselarasan (Goodness of Fit): Tujuan analisis regresi ialah menerangkan sebanyak mungkin variasi dalam variabel tergantung dengan menggunakan variabel bebas dalam model. Oleh karena itu, suatu model dikatakan baik jika eksplanasi diukur dengan menggunakan nilai adjusted r2 yang setinggi mungkin.
- Konsitensi Dalam Teori: Model sebaiknya segaris dengan teori. Pengukuran tanpa teori akan dapat menyesatkan hasilnya.
- Kekuatan Prediksi: Validitas suatu model berbanding lurus dengan kemampuan prediksi model tersebut. Oleh karena itu, pilihlah suatu model yang prediksi teoritisnya berasal dari pengalaman empiris.
BAB III
KESIMPULAN DAN SARAN
A. Kesimpulan
Analisis regresi berbeda dengan analisis korelasi. Jika analisis korelasi digunakan untuk melihat hubungan dua variable; maka analisis regresi digunakan untuk melihat pengaruh variable bebas terhadap variable tergantung serta memprediksi nilai variable tergantung dengan menggunakan variable bebas. Dalam analisis regresi variable bebas berfungsi untuk menerangkan (explanatory) sedang variable tergantung berfungsi sebagai yang diterangkan (the explained). Dalam analisis regresi data harus berskala interval atau rasio. Hubungan dua variable bersifat dependensi. Untuk menggunakan analisis regresi diperlukan beberapa persyaratan yang harus dipenuhi.
B. Saran
Walaupun tampak canggih, analisis faktor bukan segalanya. Teknik ini tidak terlepas dari berbagai kelemahan. Keterbatasan utama adalah tingginya subjektivitas dalam penentuan jumlah faktor dan interpretasi setiap faktor. Untuk itu, diperlukan suatu teori-teori yang mendukung untuk menentukan banyaknya faktor yang terbentuk secara tepat.
DAFTAR PUSTAKA
- Dien Sukardinah, Soemartini, I.Gde.Mindra .2005. Bahan Kuliah Regresi Lanjutan. Bandung.
- Gujarati, Damodar. Ekonometrika Dasar. Jakarta : Penerbit Erlangga.
- http://dickyrahardi.blogspot.com/2006/12/principal component analisis-pca.html.
- Santoso, Singgih. 2002. SPSS Statistik Multivariat. Jakarta : PT. Elex Media Kompitundo.
- Simamora, Bilson. 2005. Analisis Multivariat Pemasaran. Jakarta : PT. Gramedia Pustaka Utama.
- Supranto, M.A. 2004. Analisis Multivariat (Arti & Interpretasi). Jakarta : Rineka Cipta.
- www.Google.com /Multikolinearitas/Principal Component Analysis (PCA) Metode Jitu Untuk Mengatasi Masalah Multikolinearitas.
Posting Komentar