Mengenal Regresi Linier dan Penjelasannya

Regresi linier

Regresi Linier – Secara artian regresi merupakan suatu metode yang menentukan sebab-akibat antara variabel satu dengan lainnya. Regresi berfungsi untuk mencari hubungan numerik antara dua variabel atau lebih.

Dalam analisis regresi sederhana, hubungan antar variabel dapat bersifat linier dan juga nonlinier. Pada regresi linier, perubahan variabel X berbarengan dengan perubahan variabel lainnya secara tetap. Sedangkan Variabel Y kebalikan dari perubahan variabel X tersebut karena tidak terpengaruh oleh perubahan secara proporsional.

Dalam memperkirakan hubungan antara variabel, terdapat sebuah asumsi yang mendasarkan perkiraan tersebut. Asumsi inilah yang menyatakan hubungan dalam fungsi tertentu.

Pengertian Regresi

Regresi linier

Regresi merupakan metode statistik yang sering terpakai dalam keuangan, investasi dan disiplin ilmu. Kegunaannya ialah untuk mengetahui hubungan antara satu variabel dengan variabel lainnya. Regresi ini dapat membatu manajer investasi dan keuangan dalam menilai aset serta hubungan antara satu variabel dengan variabel lain.

Hasil hubungan tersebut akan berdampak kepada komoditas dan saham bisnis yang berhubungan dengan komoditas tersebut. Pada dasarnya regresi sendiri terdiri dari dua jenis, yaitu linier sederhana dan linier berganda. Walaupun demikian, sebenarnya masih terdapat regresi non-linier yang data dan analisinya lebih rumit dari dua regresi lainnya.

Pengertian Regresi Linier

Secara pengertian regresi linier adalah hubungan antara variabel terikat X dengan variabel bebas Y. Kegunaan ini biasanya digunakan untuk melakukan prediksi berdasarkan data yang sudah tersedia sebelumnya. Hasil dari hubungan variabel tersebut bernama model regresi linier. Regresi linier pada dasarnya terbagi atas dua bagian yaitu sederhana dan berganda. Pembagian ini berdasarkan kelompok jenis penggunaan regresinya.

Manfaat Menggunakan Analisis Regresi

Penggunaan analisis regresi hampir ada pada semua bidang kehidupan, mulai dari bidang industri, pemerintahan, engineer, ekonomi dan lain sebagainya. Penggunaan regresi ini memiliki banyak manfaat, berikut beberapa manfaat yang dalam menerapkan analisis regresi:

  • Membuat estimasi rata-rata dan nilai variabel
  • Menguji hipotesis karakteristik dependensi.
  • Meramalkan nilai rata-rata variabel

Penjelasan Regresi Linier Sederhana

Regresi linier sederhana merupakan metode statistik yang berguna dalam menguji suatu variabel sebab akibat. Faktor sebab pada regresi bersimbol X, sedangkan faktor akibatnya bersimbol Y atau responden. Pada dasarnya regresi linier berfungsi dalam memprediksi karakteristik kualitas dan kuantitas.

Konsep Dasar Regresi Linier Sederhana

Ketika ingin menggunakan linier sederhana, ada beberapa konsep dasar yang perlu kamu ketahui. Berikut konsep sederhana yang harus kamu pahami dalam menggunakan Regresi Linier sederhana :

  • Pada nilai X terdapat banyak kemungkinan nilai-nilai Y.
  • Nilai rata-rata dapat berubah secara sistematik mengikuti bentuk garis linier X.
  • Nilai X tetap sama pada nilai varians.

Langkah-langkah Melakukan Analisis Linier Sederhana

Agar tidak melakukan kesalahan, maka perlu rasanya kamu mengetahui langkah-langkah dalam melakukan analisis linier sederhana ini. Berikut langkah-langkah dalam melakukan analisis linier sederhana:

  1. Tentukan tujuan melakukan analisis linier sederhana.
  2. Identifikasi varibel penyebab.
  3. Pengumpulan data.
  4. Lakukan penghitungan X2, Y2, XY serta totalnya.
  5. Hitung a dan b sesuai dengan rumus.
  6. Buat model persamaan
  7. Lakukan prediksi terhadap variabel penyebab dan akibat.

Prosedur Penting Dalam Regresi Linier Sederhana

Ketika melakukan analisis linier sederhana, kamu harus melakukan identifikasi model menggunakan scatter plot terlebih dahulu. Hal tersebut berguna dalam mengidentifikasi model hubungan antara variabel X dan Y. Apabila pencaran titik menunjukkan plot kecenderungan linier, maka model ini sudah layak dan dapat anda terapkan.

Istilah dalam Regresi Linier Sederhana

Dalam linier sederhana, terdapat beberapa istilah yang bersebaran dan terpakai dalam rumus-rumusnya. Berikut istilah yang terdapat dalam rumus-rumus regresi linier sederhana :

  • Koefisien Korelasi (r) adalah nilai yang menyatakan kuat atau tidak hubungan antara dua variabel.
  • Standar Err0or Koefisien regresi (E) adalah ukuran kepadatan koefisien dalam memprediksi nilai.
  • Koefisien Determinasi regresi (r2) merupakan nilai yang menunjukan besarnya pengurangan variasi Y.
  • Konstanta (a) adalah perpotongan antara garis regresi X dengan garis sumbu Y.
  • Koefisien arah (b) merupakan nilai yang menunjukkan besar perubahan Y saat X bertambah.

Analisis Regresi Linier Sederhana

Analisis ini merupakan sebuah metode pendekatan yang menggunakan sebuah model dalam mencari hubungan antara satu variabel dependen dan variabel independen. Dalam analisis regresi linier sederhana, hubungan yang ada bersifat linier dan mengikuti perubahan pada variabel X dalam beberapa variabel secara tetap.

Sedangkan secara non-linier, perubahaan variabel Y tidak mengikuti perubahan yang terjadi pada variabel X. Contoh perubahan ini seperti model kuadratik dimana perubahan Y mengikuti kuadrat variabel X, dengan demikian hubungan tersebut tidak bersifat linier.

Analisis regresi sederhana bisa diterapkan untuk mengetahui arah suatu hubungan antara variabel bebas dengan variabel terikat. Dari hubungan ini dapat terlihat apakah variabel tersebut memiliki hubungan positif atau negatif, serta memprediksi nilai dari variabel terikat apabila nilai variabel bebas mengalami kenaikan ataupun penurunan.

Penjelasan Regresi Linier Berganda

Linier berganda merupakan sebuah model regresi/prediksi yang pada prosesnya melibatkan variabel bebas yang lebih dari satu. Regresi ini sering dikatakan sebagai multiple regression karena berbetuk jamak dari data yang ada.

Istilah seperti ini sering membuat para mahasiswa salah paham, sehingga tidak bisa membedakan antara multiple regression dan multivariat regression. Padahal secara sederhana perbedaan kedua regresi ini ialah, pada multiple regression terdapat satu variabel prediktor atau lebih. Namun pada multivariat regression terdapat satu variabel response atau lebih.

Jenis-jenis Regresi Berganda

Sebagai salah satu jenis analisis statistik, terdapat banyak macam regresi berganda tergantung data per variabelnya. Berikut penjelasan regresi berganda secara rinci :

1. Regresi Linier Berganda

Merupakan sebuah model regresi yang variabelnya terikat dan bebasnya berskala data interval atau rasio. Namun terkadang terdapat juga variabel bebas yang menggunakan skala data nominal atau ordinal atau lebih lazim disebut dummy. Regresi linier seperti ini biasa disebut dengan regresi linier variabel dummy. Contoh dari regresi jenis ini adalah “Pengaruh DER dan NPM terhadap Return Saham”.

2. Regresi Logistik Berganda

Merupakan regresi berganda yang variabel terikatnya adalah data dikotomi. Secara artian dikotomi adalah bentuk kategorik dengan jumlah 2 perbandingan. Contohnya laki-laki dan perempuan, baik dan buruk, iya dan tidak, benar dan salah, dan contoh lainnya yang masih bisa dibandingkan.

Sedangkan variabel bebas dari regresi ini pada umumnya variabel dikotomi. Namun tidak ada masalahnya apabila dalam suatu variabel terdapat skala data interval, rasio, ordinal dan multinomial. Contoh dari regresi berganda ialah pengaruh jenis kelamin dan rokok terhadap kanker paru-paru.

3. Regresi Ordinal Berganda

Merupakan analisis regresi yang variabel terikatnya berskala data ordinal. Sedangkan variabel bebasnya juga ordinal, namun tidak masalah jika ada variabel berskala data lain baik kuantitatif dan kualitatif.

Keunikan dari regresi ini adalah jika variabel bebas data kategorik maka disebut sebagai faktor. Sedangkan data numerik dari varibel disebut dengan covariates. Contoh regresi berganda adalah “Pengaruh penghasilan dengan Tingkat pengetahuan dan usia”

Regresi Multinomial Berganda

Merupakan regresi dengan jenis variabel terikat berjumlah lebih dari dua kategori data dan variabel bebas lebih dari satu variabel. Regresi ini hampir sama dengan logistik berganda, tapi terdapat perbedaan pada kategori variabel terikatnya.

Regresi ini juga mirip dengan ordinal, namun berbeda pada data regresi yang tidak bertingkat. Dengan artian lain tidak ada baik atau buruk daru data tersebut. Contoh dari regresi ini seperti “Pengaruh Tingkat Pendidikan dan Penghasilan Orangtua terhadap Pilihan Jurusan Kuliah Anak”.

Perbedaan Antara Regresi Sederhana dan Regresi Berganda

Secara pengertian regresi linier sederhana adalah regresi yang melibatkan dua variabel saja. Satu variabel dependen atau tergantung dan satu variabel independen atau bebas. Pada analisis ini perubahan yang terjadi pada variabel X mengikuti perubahan pada variabel Y secara tetap. Regresi sederhana dapat dikatakan baik apabila bisa memenuhi asumsi eksogenitas, linearitas, autokorelasi dan varians error.

Sedangkan pada regresi berganda analisis melibatkan lebih dari dua variabel yang ada. Model ini dikatakan sebagai linier berganda karena beberapa variabel independen akan berpengaruh pada variabel dependen. Tujuan dari regresi ini adalah untuk mengetahui manakah variabel yang paling berpengaruh dengan variabel dependen.

Jadi dapat disimpulkan bahwa perbedaan antara kedua regresi tersebut terletak pada banyak data variabel yang digunakan. Selain itu pengaruh yang diberikan oleh hasil analisis regresi ini juga berbeda antara satu dan lainnya.

Asumsi Analisi Regresi Berganda

Sebelum melakukan analisis regresi berganda, maka perlu adanya uji hipotesis penelitian terlebih dahulu. Dari uji hipotesis ini dapatlah beberapa asumsi atau persyaratan yang harus terpenuhi. Berikut ini beberapa rangkaian uji untuk membuktikan asumsi analisis regresi berganda :

  • Normalitas, merupakan asumsi yang harus ada dalam model regresi berdistribusi normal.
  • Linearitas, merupakan hubungan yang terbentuk antara variabel independen dan dependen.
  • Multikolinearitas, merupakan sebuah gejala yang menandakan model tersebut tidak baik.
  • Heteroskedastisitas
  • Autokorelasi, merupakan sebuah syarat dalam kasus khusus untuk data time series.

Aplikasi Perhitungan Data Regresi

Banyak aplikasi yang dapat digunakan dalam menghitung analisis semua regresi berganda di atas. Salah satu contohnya adalah SPSS, STATA dan Eciews. Sedangkan pada aplikasi excel kamu dapat menghitung regresi ini setelah menginstal add ins. Berikut beberapa aplikasi yang bisa digunakan dalam menghitung data regresi selain SPSS :

1. PSPP

Aplikasi ini memiliki nama yang terdiri dari kebalikan aplikasi SPSS. Dalam aplikasi PSPP, terdapat tampilan dan kemampuan yang hampir saya dengan SPSS. Sehingga membuat kehadiran aplikasi ini mudah diterima oleh banyak kalangan yang terbiasa dengan SPSS. Aplikasi juga memiliki kemampuan dalam berbagi bermacam transformasi data, menghitung statistik, hingga mensimulasikannya.

2. R

Merupakan aplikasi statistik gratis yang memiliki nama paling pendek. Aplikasi ini memiliki kelebihan yang sama dengan microsoft karena dapat menambahkan add-on dalam aplikasinya.

Hal seperti ini bisa terjadi karena aplikasi R menaungi lisensi GNU, sehingga dianggap sebagai sebuah bahasa yang bisa digunakan secara bebas. Bahasa ini biasanya digunakan dalam lingkungan komputasi statistik dan grafis untuk pada akademisi.

Pada aplikasi R ini, terdapat berbagai macam statistik antara lain linear modeling, klasifikasi, clustering, dan masih banyak lagi.

3. SalStat

Pada dasarnya banyak aplikasi gratis yang bisa digunakan dalam melakukan hitungan statistik, salah satunya ialah SalStat ini. Ini merupakan aplikasi gratis yang cukup ringan digunakan untuk keperluan analisis statistik. Terlebih lagi antarmuka aplikasi ini juga terbilang sederhana dan mudah dioperasikan. Sehingga membuat pemula menjadi enak dan nyaman ketika baru pertama kali mencoba.

Itulah beberapa aplikasi gratis lain yang bisa kamu gunakan dalam melakukan hitungan statistik. Pada dasarnya masih banyak aplikasi lain yang bisa kamu pakai secara gratis dalam melakukan perhitungan statistik. Namun tidak semua aplikasi tersebut terlalu familiar bagi banyak kalangan, sehingga jarang digunakan.

0 Shares: