ANALISIS REGRESI LINIER SEDERHANA DAN BERGANDA

SERTA KRITERIA PENGUJIAN HIPOTESIS DALAM ANALISIS REGRESI

LINIER SEDERHANA DAN BERGANDA

KELOMPOK 3:

GALIH ADHIKORO PRAYOGA 55115120115

AFRIZAYANTI 55115120126
SARAS NUR PRATICHA 55115120131
SABARUDDIN HARAHAP 55115120134
LAILY MAGHFIROH 55115120135
VINNY IRADATIADINI 55115120140

UNIVERSITAS MERCU BUANA

MAGISTER MANAJEMEN
2017
Pendahuluan

Secara umum. analisis regresi pada dasarnya adalah studi mengenai

ketergantungan variabel dependen (terikat) dengan satu atau lebih variabel
independen (variabel penjelas/bebas), dengan tujuan untuk mengestimasi
dan/atau memprediksi rata-rata populasi atau nilai rata-rata variabel dependen
berdasarkan nilai variabel independen yang diketahui (Gujarati, 2003)
Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui
pengaruh antara satu atau beberapa variabel terhadap satu buah variabel.
Variabel “penyebab” atau yang dikenal sebagai variabel yang mempengaruhi
disebut dengan bermacam-macam istilah: variabel independen, variabel bebas,
variabel penjelas, variabel eksplanatorik, atau variabel X (karena seringkali
digambarkan dalam grafik sebagai absis, atau sumbu X). Sedangkan, variabel
“akibat” dikenal sebagai variabel yang dipengaruhi, variabel dependen, variabel
terikat, atau variabel Y. Secara umum,persamaan regresi dapat terdiri dari satu
atau lebih peubah bebas namun hanya memilikisatu peubah terikat.
Pengertian Regresi Linier
Pengertian regresi secara umum adalah sebuah alat statistik yang
memberikan penjelasan tentang pola hubungan (model) antara dua
variabel atau lebih.. Dalam analisis regresi dikenal 2 jenis variabel yaitu:
• Variabel Respon disebut juga variabel dependen yaitu variabel yang
keberadaannya dipengaruhi oleh variabel lainnya dan dinotasikan
dengan variabel.
• Variabel Prediktor disebut juga dengan variabel independen yaitu
variabel yang bebas (tidak dipengaruhi oleh variabel lainnya) dan
dinotasikan dengan variabel.

Untuk mempelajari hubugan – hubungan antara variabel

bebas maka regresi linier terdiri dari dua bentuk, yaitu:
1. Analisis regresi sederhana (Simple analysis regresi)
2. Analisis regresi berganda (Multiple analysis regresi)
Analisis Regresi Linier Sederhana

Untuk mengetahui bagaimana pengaruh dua variabel digunakan teknik

Analisis Regresi Linier Sederhana. Analisis regresi linier digunakan untuk
mengetahui perubahan yang terjadi pada variabel dependent (variabel
Y), nilai variabel dependent berdasarkan nilai independent (variabel X)
yang diketahui. Dengan menggunakan analisis regresi linier maka akan
mengukur perubahan variabel terikat berdasarkan perubahan variabel
bebas. Rumus regresi linier sederhana, yaitu sebagai berikut :

Keterangan :
Ŷ = Subjek variabel terikat yang diprediksi (Sisa Hasil Usaha)
X = Subjek variabel bebas yang mempunyai nilai tertentu (Modal Kerja)
a = Bilangan konstanta regresi untuk X = 0 (nilai y pada saat x nol)
B = Koefisien arah regresi yang menunjukkan angka peningkatan atau
penurunan variabel Y bila bertambah atau berkurang 1 unit.
Pengujian Hipotesis dengan menilai Goodness of Fit Suatu Model
Ketepatan fungsi regresi sampel dalam menaksir nilai aktual dapat diukur dari
Goodness of fitnya. Secara statistik, setidaknya ini dapat diukur dari nilai koefisien
determinasi, nilai statistik F dan nilai statistik t. Perhitungan statistik disebut
signifikan secara statistik apabila nilai uji statistiknya berada dalam daerah kritis
(daerah dimana Ho ditolak). Sebaliknya disebut tidak signifikan bila nilai uji
statistiknya berada dalam daerah dimana Ho diterima.
Koefisien Determinasi
Koefisien determinasi (R2) pada intinya mengukur seberapa jauh kemampuan
model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi
adalah antara nol dan satu. Nilai R2 = yang kecil berarti kemampuan variabel-
variabel independen dalam menjelaskan variasi variabel dependen amat terbatas.
Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir
semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen.
Secara umum koefisien determinasi untuk data silang (crossection) relatif rendah
karena adanya variasi yang besar antara masing-rnasing pengamatan, sedangkan
untuk data runtun waktu (time series) biasanya mempunyai nilai koefisien
determinasi yang tinggi.
Uji Signifikan Parameter Individual (Uji Statistik t)
Uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel
penjelas/independen secara individual dalam menerangkan variasi variabel
dependen. Hipotesis nol (Ho) yang hendak diuji adalah apakah suatu parameter (bi)
sama dengan nol, atau
Ho:bi = 0
Artinya apakah suatu variabel independen bukan merupakan penjelas yang
signifikan terhadap variabel dependen. Hipotesis alternatifnya (HA) parameter
suatu variabel tidak sama dengan nol, atau
HA: bi # 0
Artinya, variabel tersebut merupakan penjelas yang signifikan terhadap variabel
dependen. Untuk menguji signifikasi pengaruh variabel x terhdap y digunakan uji t
dengan rumus sebagai berikut :
Rumus t tabel : t α df (n-2)
dimana :
t = t hitung uji signifikasi
r = koefisien korelasi
n = jumlah periode

Dengan kriteria pengujian sebagai berikut :

Ho diterima apabila t test ≥ t tabel
Ho ditolak apabila t test ≤ t tabel.
Analisis Regresi Linier Berganda

 Analisis regresi linier berganda adalah

hubungan secara linier antara dua atau lebih
variabel independen (X1, X2,….Xn) dengan
variabel dependen (Y).

 Analisis ini untuk mengetahui arah hubungan

antara variabel independen dengan variabel
dependen apakah masing-masing variabel
independen berhubungan positif atau negatif
dan untuk memprediksi nilai dari variabel
dependen apabila nilai variabel independen
mengalami kenaikan atau penurunan.
Analisis Regresi Linier Berganda

Data yang digunakan pada analisis

regresi linier berganda biasanya
berskala interval atau rasio.

Persamaan regresi linear berganda

sebagai berikut:

Y’ = a + b1X1+ b2X2+…..+ bnXn

 Slide Title

Analisis Regresi Linier Berganda

Keterangan:
• Y’ = Variabel dependen (nilai yang diprediksikan)
• X1 = Variabel independen
• X2 = Variabel independen
• a = Konstanta (nilai Y’ apabila X1, X2…..Xn = 0)
• b = Koefisien regresi (nilai peningkatan ataupun
penurunan)
Asumsi-asumsi Model Analisis Regresi Linier Berganda

Menurut Gujarati (2003) asumsi-asumsi pada model regresi

linier berganda adalah sebagai berikut:

1. Model regresinya adalah linier dalam parameter.

2. Nilai rata-rata dari error adalah nol.

3. Variansi dari error adalah konstan (homoskedastik).

4. Tidak terjadi autokorelasi pada error.

5. Tidak terjadi multikolinieritas pada variabel bebas.

6. Error berdistribusi normal.

Estimasi Parameter Model Regresi Linier Berganda

Estimasi parameter ini bertujuan untuk

mendapatkan model regresi linier
berganda yang akan digunakan dalam
analisis. Metode yang digunakan untuk
mengestimasi parameter model regresi
linier berganda adalah metode kuadrat
terkecil atau sering juga disebut dengan
metode ordinary least square (OLS).

Metode OLS ini bertujuan

meminimumkan jumlah kuadrat error.
Pengujian Parameter Model Regresi
Linier Berganda
Pengujian parameter ini bertujuan untuk
mengetahui ada atau tidaknya pengaruh
variabel bebas terhadap variabel tidak bebas.

Pengujian dilakukan dengan 2 cara, yaitu:

1. Pengujian Parameter Secara Serentak

(Simultan)
2. Pengujian Parameter Secara Individu
(Parsial)
Pengujian Parameter Model Regresi
Linier Berganda
1. Pengujian Parameter Secara Serentak (Simultan)

Prosedur pengujian parameter secara simultan adalah

sebagai berikut:

 Membuat hipotesis.
 Menentukan tingkat signifikansi (α).
 Menentukan statistik uji
 Menentukan daerah kritik (penolakan H0).
 Menarik kesimpulan.
Pengujian Parameter Model Regresi
Linier Berganda
2. Pengujian Parameter Secara Individu (Parsial)

Prosedur pengujian parameter secara parsial adalah

sebagai berikut:

 Membuat hipotesis.
 Menentukan tingkat signifikansi (α).
 Menentukan statistik uji
 Menarik kesimpulan.
Pelanggaran-pelanggaran Terhadap
Asumsi Regresi Linier Berganda
Dalam analisis regresi linier berganda
terdapat beberapa pelanggaran-pelanggaran
yang seringkali dilakukan terhadap asumsi-
asumsinya, diantaranya yaitu:

 Multikolinieritas
 Heteroskedastisitas
 Autokorelasi
Pelanggaran-pelanggaran Terhadap
Asumsi Regresi Linier Berganda
 Multikolinieritas

• Multikolinieritas adalah terjadinya hubungan linier

antara variabel bebas dalam suatu model regresi
linier berganda (Gujarati, 2003). Hubungan linier
antara variabel bebas dapat terjadi dalam bentuk
hubungan linier yang sempurna (perfect) dan
hubungan linier yang kurang sempurna (imperfect).

• Untuk mendeteksi adanya multikolinieritas dalam

model regresi linier berganda dapat digunakan nilai
variance inflation factor (VIF) dan tolerance (TOL)
dengan ketentuan jika nilai VIF melebihi angka 10,
maka terjadi multikolinieritas dalam model
regresi. Kemudian jika nilai TOL sama dengan 1,
maka tidak terjadi multikolinieritas dalam model
regresi.
Pelanggaran-pelanggaran Terhadap
Asumsi Regresi Linier Berganda
 Heteroskedastisitas
• Heteroskedastisitas adalah variansi dari error model
regresi tidak konstan atau variansi antar error yang satu
dengan error yang lain berbeda (Widarjono, 2007).

• Salah satu cara yang dapat digunakan untuk mendeteksi

adanya heteroskedastisitas dalam model regresi adalah
dengan Metode Glejser.

• Glejser mengatakan bahwa nilai variansi variabel error

model regresi tergantung dari variabel bebas.

• Selanjutnya untuk mengetahui apakah pola variabel error

mengandung heteroskedastisitas Glejser menyarankan
untuk melakukan regresi nilai mutlak residual dengan
variabel bebas. Jika hasil uji F dari model regresi yang
diperoleh tidak signifikan, maka tidak ada
heteroskedastisitas dalam model regresi (Widarjono,
2007).
Pelanggaran-pelanggaran Terhadap
Asumsi Regresi Linier Berganda
 Autokorelasi

• Autokorelasi adalah terjadinya korelasi antara satu

variabel error dengan variabel error yang lain.
Autokorelasi seringkali terjadi pada data time series
dan dapat juga terjadi pada data cross section
(Widarjono, 2007).

• Adapun dampak dari adanya autokorelasi dalam

model regresi adalah sama dengan dampak dari
heteroskedastisitas yang telah diuraikan di atas,
yaitu walaupun estimator OLS (Ordinary Least
Square) masih linier dan tidak bias, tetapi tidak lagi
mempunyai variansi yang minimum dan
menyebabkan perhitungan standard error metode
OLS tidak bisa dipercaya kebenarannya.