StatIn Essai Pert. 6 Regresi 1: Prasyarat Analisis, Analisis Regresi Tunggal

Hidayatullah Hana Putra (210321868030)

 

Pengertian Regresi linier Sederhana

Salah satu alat yang dapat digunakan dalam memprediksi permintaan dimana yang akan datang dengan berdasarkan data masa lalu, atau untuk mengetahui pengaruh suatu variable bebas (independent) terhadap satu variable terikat (dependent) adalah menggunakan regresi linear (Siregar, 2015). Regresi digunakan sebagai alat ukur untuk mengukur ada atau tidak korelasi antar variable/ Analisis regresi adalah sebuah teknik statistic untuk membuat model dan menyelidiki hubungan Antara dua atau lebih varibel yang dimaksud. Regresi mengukur seberapa besar suatu variabel memppengaruhi variabel yang lain sehingga dapat digunakan untuk melalukakn peramalan nilai suatu variabel berdasarkan variabel lain. Regresi Linier dibagi menjadi dua kategori sebagai berikut:

1.      regresi linier sedehana (tunggal) 

2.      regresi linier berganda.

Variabel dependent pada regresi linier disebut juga sebagai respons atau criterion, sedangkan variabel independent dikenal sebagai predikto atau regresor. Kovariat adalah variabel independent yang berkorelasi dengan predictor lainnya, juga mempengaruhi respons. Kovariat umumnya tidak diminati hubungannya dengan respons dan hanya digunakan untuk pengendalian hubungan predictorrespons dalam model.

Model kelayakan regresi linier didasarkan pada hal-hal sebagai berikut:

1.      Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar < 0,05.

2.      Prediktor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini diketa hui jika angka Standard Error of Estimate < Standard Deviation.

3.      Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji t. Koefesien regresi signifikan jika thitung > ttabel (nilai kritis).

4.      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.

5.      Tidak terjadi otokorelasi. Terjadi otokorelasi jika angka Durbin dan Watson (DB) sebesar < 1 dan > 3.

6.      Keselerasan model regresi dapat diterangkan dengan menggunakan nilai rm2 semakin besar nilai tersebut maka model semakin baik. Jika nilai mendekati 1 maka model regresi semakin baik. Nilai rm2 mempunyai karakteristik diantaranya:

Ø  Selalu positif

Ø  Nilai rm² 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 rm2 sama dengan 0, maka tidak ada hubungan linier antara X dan Y.

7.      Terdapat hubungan linier antara variabel bebas (X) dan variabel tergantung (Y).

8.      Data harus berdistribusi normal.

9.      Data berskala interval atau rasio.

10.  Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas (disebut juga sebagai variabel prediktor) sedang variabel lainnya variabel tergantung (disebut juga sebagai variabel response) (Arnita, 2013: Hal: 143-144).