Seluk Beluk Regresi

YANG DIPERLUKAN UNTUK REGRESI LINEAR BERGANDA

 

1. Uji Reliabilitas
   Menunjukkan sejauh mana suatu alat pengukur dapat dipercaya atau di andalkan. Reliabilitas konsistensi alat pengukur dalam mengukur gejala yang sama. Suatu kuisioner dikatakan reliable dapat dilihat dari nilai Chronbach Alpha, jika lebih besar dari 0.6 maka dapat dikatakan bahwa item kuisioner reliable
2. Uji Validitas
   Validitas merupakan suatu ukuran yang menunjukkan sejauh mana suatu instrument dapat mengumpulkan data secara tepat dansesuai dengan variable yang di teliti. Jika r hitung lebih besar dari r table atau sig lebih kecil dari α=0.05 maka instrument yang digunakan valid
3. Koefisien Determinasi (R²)
   Koefisien Determinasi (R2) pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi adalah di 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 variable dependen. (Ghozali, 2004). Pada analisis regresi Ajusted R Square (koefisien determinasi yang disesuaikan) digunakan jika banyaknya variable bebas (x) lebih dari 1.
4. Uji Simultan (uji F)
   
   Pada table Anova menghasilkan sig = 000 (lebih kecil dari α=0.05) atau F hitung lebih besar dari F table maka dapat di simpulkan bahwa variable bebas (eksogen) secara simultan (bersama-sama) memberikan pengaruh yang nyata/signifikan terhadap variable endogen.
5. Uji Partial (uji t)
   Pada uji partial dapat diketahui setiap variable bebas nyata atau tidak. Jika sig kurang dari α atau t hitung lebih besar dibandingkan dengan t table maka dapat dikatakan bahwa variable bebas tersebut secara parsial memberikan pengaruh yang nyata/signifikan terhadap variable terikat
6. Regresi Linier Berganda
   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.
7. Uji Autokorelasi (Durbin Watson)
   Autokorelasi artinya adanya korelasi dini antar anggota sampel (observasi) pada suatu variabel yang tersusun berdasarkan rangkaian waktu atau ruang (Gujarati, 2002, h.201). Secara konvensional dapat dikatakan bahwa suatu Durbin Watson mendekati dua atau lebih. Aturan keputusannya adalah jika nilai DW lebih kecil dari minus dua (-2), maka bisa diartikan terjadi gejala autokorelasi positif. Jika nilai DW lebih besar dari dua (2), maka bias diartikan terjadi gejala autokorelasi negatif. Sedangkan jika nilai DW antara minus dua (-2) sampai dua (+2), maka dapat diartikan tidak terjadi gejala autokorelasi.
   
    
8. Residual
   Residual adalah selisih antara nilai observasi dengan nilai prediksi; dan absolut adalah nilai mutlaknya. sum of square dalam analisis regresi ada 2, yakni sum of square regression dan sum of square residual.
   sum of square regression menghitung nilai total varian yang terbentuk akibat dari nilai Y prediksi (total varian Y prediksi/estimasi hasil regresi)
   sum of square residual menghitung nilai total varian yang terbentuk akibat dari nilai sisa antara Y aktual (hasil penelitian) dengan Y prediksi (estimasi hasil regresi)
   sedangkan Mean of Square menunjukkan rata2 varian yang dihitung per variabel (Mean of Square Regression) dan menunjuk rata2 varian per data Y (mean square residual
   Df = dk = degree of freedom = derajat kebebasan, besarnya tergantung dari peluang perbandingan.
   Jika untuk sum of square regression, peluang perbandingannya adalah antar variabel, sehingga df/dk-nya = k-1
   Jika untuk sum of square residual, peluang perbandingannya adalah antar data Y sehingga df/dk-nya = n-k-1
   Sehingga mean of square dapat dihitung dari sum of square dibagi dengan df/dk
   mean of square regression = sum of square regression/k-1
   mean of square residual = sum of square residual/n-k-1
   Dan akhirnya F hitung dapat dikalkulasi = mean of square regression/mean of square residual
   
   
    
9. Persyaratan Regresi
   1. Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar < 0.05
   2. Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini diketahui jika angka Standard Error of Estimate < Standard Deviation
   3. Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi signifikan jika T hitung > T table (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 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.
   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 predictor) sedang variabel lainnya variabel tergantung (disebut juga sebagai variabel response)
10. Skala
    Pengertian Data
    Data adalah kumpulan fakta. Sedangkan fakta adalah segala sesuatu yang tertangkap oleh indra manusia. Contoh: 'di daerah pegunungan kita dapat merasakan hawa udara yang dingin', maka 'di daerah pegunungan' merupakan data tempat, dan 'hawa udara yang dingin' merupakan data temperatur (walaupun tidak diukur). Contoh lain: 'Ayah sangat menyukai nasi goreng', maka bila diuraikan 'ayah', 'sangat menyukai' dan 'nasi goreng' didapatkan 3 variabel data yang berbeda. Data yang tertangkap indra manusia boleh jadi akan dicatat untuk berbagai keperluan, tetapi seringkali data tidak dicatat, hanya dipikirkan/diingat atau dibicarakan, itupun disebut sebagai data.
    
     
    Tipe Data Statistik
    Di dalam praktek statistik, data yang diperoleh dari hasil pengamatan, wawancara atau pengukuran perlu dicatat agar dapat diolah, dianalisis, diinterpretasi dan dibuat kesimpulan. Data hasil pencatatan dapat berupa angka-angka atau huruf/kata/kalimat. Secara garis besar data hasil pencatatan dapat digolongkan menjadi 2 jenis/tipe yaitu: data yang bukan berupa angka (disebut juga data kualitatif) dan data yang berupa angka (data kuantitatif).
    
     
    
    1. Data Nominal atau Skala Nominal.
       Merupakan tipe data yang paling rendah tingkatannya dalam level pengukuran data. Data (variabel) nominal merupakan data hasil pengukuran atau pengamatan yang hanya menghasilkan satu kategori bagi satu obyek, individu atau kelompok. Misal: data jenis kelamin, tempat tinggal, suku atau ras, dan agama. Oleh karena dalam hal ini tidak memungkinkan seseorang memiliki dua jenis kelamin secara bersamaan, tempat tinggal (berdasarkan KTP), suku dan agama.
       
        
       Dalam praktek statistik, karena variabel nominal mempunyai nilai data yang sederajat, maka untuk melakukan analisis terhadap data nominal biasanya kita melakukan konversi dari data nominal menjadi data katagorik yaitu data tersebut dikategorikan menjadi angka. Misalnya kita mempunyai data jenis kelamin yaitu laki-laki dan perempuan, maka Laki-laki dikategorikan sebagai "1" dan Perempuan dikategorikan sebagai "2". Data nominal tidak memiliki tingkatan. Dalam hal ini penggunaan angka 1 dan 2 hanya sebagai lambang atau tanda, tidak dapat diartikan bahwa laki-laki lebih rendah atau lebih tinggi derajatnya daripada perempuan, demikian pula sebaliknya tidak dapat diartikan bahwa perempuan lebih rendah atau lebih tinggi derajatnya daripada laki-laki.
       
        
    2. Data Ordinal atau Skala Ordinal.
       Data (variabel) jenis ini lebih tinggi tingkatannya daripada data nominal karena adanya tingkatan nilai data (data yang satu lebih tinggi atau lebih rendah nilainya daripada data yang lain), tetapi tidak diketahui beda/jarak antar nilai data dan tidak menyiaratkan jarak/nilai yang sama antar tingkatan tersebut. Misal: data mengenai tingkat pendidikan, sosio-ekonomi, pendapat seseorang terhadap produk tertentu.
       
        
       Contoh penerapan, berdasarkan hasil pengukuran melalui jajak pendapat atau wawancara, diperoleh data tentang sikap atau pendapat sekelompok orang terhadap kebijakan tertentu yang sedang diberlakukan pemerintah. Ada yang menyatakan 'sangat setuju', 'setuju', 'netral', tidak setuju' atau 'sangat tidak setuju.' Jarak antara pernyataan 'sangat setuju' dengan 'setuju' dan antara 'setuju' dengan 'netral' tidak jelas besar perbedaannya dan belum tentu sama. Contoh lain, data tingkat pendidikan yang dinyatakan sebagai 'tinggi', 'sedang' dan 'rendah.' Jarak antara 'tinggi' dan 'sedang' tidak sama dengan jarak antara 'sedang' dan 'rendah.'
       
        
       Data ordinal juga tidak dapat dilakukan operasi matematika seperti penambahan, pengurangan, perkalian dan pembagian. Dalam praktek statistik, untuk melakukan analisis terhadap data ordinal, dilakukan konversi dari data ordinal menjadi data katagorik (dikategorikan menjadi angka). Contoh: pernyataan 'sangat setuju' dikategorikan sebagai '5', 'setuju' dikategorikan sebagai '4', 'netral' dikategorikan sebagai '3', tidak setuju' dikategorikan sebagai '2' dan 'sangat tidak setuju' dikategorikan sebagai '1.'
       
        
    3. Data Interval atau Skala Interval.
       Data interval dianggap memiliki level yang lebih tinggi daripada data nominal dan ordinal. Data jenis ini memiliki tingkatan dengan interval/jarak tertentu yang tetap, tetapi data ini tidak memiliki titik nol mutlak. Misalnya: Temperatur suatu zat cair dikatakan sebagai 'sangat panas' bila suhunya antara 100-119 derajat Celcius, 'panas' bila suhunya antara 80-99 derajat Celsius, 'cukup panas' bila suhunya antara 60-79 derajat Celsius, dan 'kurang panas' bila suhunya antara 40-59 derajat Celsius. Karena tidak punya nilai nol mutlak maka bila suhu zat cair tersebut nol derajat Celsius, bukan berarti bahwa zat cair tersebut tidak mempunyai panas/suhu.
       
        
    4. Data Rasio atau Skala Rasio.
       Data (variabel) jenis ini memiliki tingkat pengukuran yang paling tinggi diantara jenis data atau skala pengukuran lainnya. Data rasio merupakan data berupa angka dalam arti sebenarnya, dapat dilakukan operasi matematika (penjumlahan/pengurangan/perkalian/pembagian) dan mempunyai titik nol dalam arti sesungguhnya. Contoh penerapan: dalam pengukuran tinggi dan berat benda, jumlah produksi, jumlah murid. Misalnya jumlah murid yang hadir di suatu kursus bahasa Inggris pada hari Senin sebanyak 20 murid, hari Selasa sebanyak 10 murid, dan hari Rabu sebanyak 0 murid. Pada hari Rabu dikatakan yang hadir sebanyak nol murid, karena memang tidak ada murid yang hadir pada hari tersebut. Selain itu jenis data ini memiliki sifat rasio, dalam contoh di atas, jumlah murid yang hadir pada hari senin sebanyak 2 kali jumlah murid yang hadir pada hari selasa, dst.
11. Standardized Variables vs Unstandardized Variables
    Koefisien parameter dalam penelitian ini menggunakan beta unstandardized coefficient karena nilai konstantanya menunjukkan nilai yang signifikan yaitu sebesar (signifikan pada level 0,05 atau 5%) sedangkan beta standardized coefficient menunjukkan dominasi variable.
12. Std. Error
    Std. Error harus lebih kecil dari standart deviasi atau derajat semu.
13. Non Multikolonieritas
    Non Multikololinieritas berarti antara variable independen dalam model regresi tidak saling berhubungan sempurna atau mendekati sempurna. Dilihat dari VIF lebih kecil dari 5 maka dapat dikatakan tidak terjadi multikolonieritas.