Pengertian Analisis Regresi, Jenis, Bentuk, dan Manfaatnya
 |
| Analisis Regresi |
A. Pengertian Analisis Regresi
Analisis regresi adalah sebuah metode analisis hipotesis penelitian untuk menguji ada tidaknya pengaruh antara variabel satu dengan variabel lain, yang dinyatakan dalam bentuk persamaan matematik (regresi). Analisis regresi ini dapat digunakan untuk menilai kekuatan hubungan antar variabel penelitian dan untuk memodelkan hubungan masa depan di antara mereka.
Menurut Nawari (2010), analisis regresi adalah cara sederhana dalam melakukan investigasi terkait relasi fungsional antara variabel-variabel berbeda. Relasi antara variabel tersebut dituliskan dalam sebuah model matematika. Dengan kata lain, apabila kita ingin mengetahui ada tidaknya pengaruh satu variabel X terhadap variabel Y maka digunakan analisis regresi.
B. Jenis Analisis Regresi
Adapun untuk bentuk analisis regresi di antaranya,
1. Analisis Regresi Linier
Teknik analisis regresi linier adalah salah satu teknik pemodelan yang paling dikenal, karena merupakan salah satu metode analisis regresi elit pertama yang diambil oleh orang-orang pada saat mempelajari pemodelan prediktif.
Perlu diketahui, dalam regresi linier berganda terdapat lebih dari satu variabel independen dan dalam regresi linier sederhana hanya terdapat satu variabel independen. Dengan demikian, regresi linier paling baik digunakan hanya jika ada hubungan linier antara variabel bebas dan variabel terikat.
2. Analisis Regresi Logistik
Regresi logistik biasanya digunakan untuk menentukan probabilitas event=Success and event=Failure. Setiap kali variabel dependen adalah biner seperti 0/1, Benar / Salah, Ya / Tidak, regresi logistik digunakan. Dengan demikian, dapat dikatakan bahwa regresi logistik digunakan untuk menganalisis pertanyaan tertutup dalam survei atau pertanyaan yang menuntut respons numerik dalam survei.
Perlu diketahui, regresi logistik tidak memerlukan hubungan linier antara variabel dependen dan variabel independen seperti halnya regresi linier. Regresi logistik menerapkan transformasi log non-linier untuk memprediksi rasio peluang. Oleh karena itu, ia dengan mudah menangani berbagai jenis hubungan antara variabel dependen dan variabel independen.
3. Analisis Regresi Polinomial
Regresi polinomial biasanya digunakan untuk menganalisis data lengkung dan ini terjadi ketika kekuatan variabel independen lebih dari 1. Dalam metode analisis regresi ini, garis yang paling cocok tidak pernah menjadi ‘garis lurus’ tetapi selalu ‘garis kurva’ cocok dengan poin data.
Perlu dicatat bahwa regresi polinomial lebih baik digunakan ketika beberapa variabel memiliki eksponen dan sedikit yang tidak. Selain itu, dapat memodelkan data yang dapat dipisahkan secara non-linier yang menawarkan kebebasan untuk memilih eksponen yang tepat untuk setiap variabel dan itu juga dengan kontrol penuh atas fitur pemodelan yang tersedia.
4. Analisis Regresi Bertahap
Analisis regresi bertahap adalah proses semi-otomatis yang dengannya model statistik dibangun baik dengan menambahkan atau menghapus variabel yang bergantung pada statistik-t dari koefisien estimasi mereka. Jika digunakan dengan benar, regresi bertahap akan memberi kita data yang lebih kuat daripada metode apa pun. Ini berfungsi dengan baik saat kita bekerja dengan sejumlah besar variabel independen.
Dimana anlisis data ini hanya menyempurnakan model analisis dengan memasukkan variabel secara acak. Analisis regresi bertahap direkomendasikan untuk digunakan jika terdapat beberapa variabel independen, di mana pemilihan variabel independen dilakukan secara otomatis tanpa campur tangan manusia.
Perlu kita catat bahwa dalam pemodelan regresi bertahap, variabel ditambahkan atau dikurangkan dari kumpulan variabel penjelas. Kumpulan variabel yang ditambahkan atau dihapus dipilih tergantung pada statistik uji dari koefisien yang diperkirakan.
5. Analisis Regresi Ridge
Regresi ridge didasarkan pada metode kuadrat terkecil biasa yang digunakan untuk menganalisis data multikolinearitas (data di mana variabel independen sangat berkorelasi). Kolinearitas dapat dijelaskan sebagai hubungan yang hampir linier antara variabel.
Setiap kali terjadi multikolinearitas, perkiraan kuadrat terkecil tidak akan bias; tetapi, jika perbedaan di antara keduanya lebih besar, maka itu mungkin jauh dari nilai sebenarnya. Namun, regresi ridge menghilangkan kesalahan standar dengan menambahkan beberapa tingkat bias ke perkiraan regresi dengan motif untuk memberikan perkiraan yang lebih dapat diandalkan.
Perlu kita catat bahwa asumsi yang diturunkan melalui regresi ridge mirip dengan regresi kuadrat terkecil, satu-satunya perbedaan adalah normalitas. Meskipun nilai koefisien dibatasi dalam regresi ridge, nilai koefisien tidak pernah mencapai nol yang menunjukkan ketidakmampuan untuk memilih variabel.
C. Bentuk Analisis Regresi
1. Analisis Regresi Sederhana
Analisis Regresi Sederhana adalah sebuah metode pendekatan untuk pemodelan hubungan antara satu variabel dependen dan satu variabel independen. Dalam model regresi, variabel independen menerangkan variabel dependennya. Dalam analisis regresi sederhana, hubungan antara variabel bersifat linier, di mana perubahan pada variabel X akan diikuti oleh perubahan pada variabel Y secara tetap.
Sementara pada hubungan non linier, perubahan variabel X tidak diikuti dengan perubahan variabel Y secara proporsional. seperti pada model kuadratik, perubahan X diikuti oleh kuadrat dari variabel X. Hubungan demikian tidak bersifat linier. Analisis regresi sederhana dapat digunakan untuk mengetahui arah dari hubungan antara variabel bebas dengan variabel terikat, apakah memiliki hubungan positif atau negatif serta untuk memprediksi nilai dari variabel terikat apabila nilai variabel bebas mengalami kenaikan ataupun penurunan. Pada regresi sederhana biasanya data yang digunakan memiliki skala interval atau rasio.
Rumus regresi linear sederhana sebagai berikut.
Y = a + bX
Keterangan:
Y = Variabel dependen (variabel terikat)
X = Variabel independent (variabel bebas)
a = Konstanta (nilai dari Y apabila X = 0)
b = Koefisien regresi (pengaruh positif atau negatif)
2. Analisis Regresi Berganda
Regresi berganda adalah model regresi atau prediksi yang melibatkan lebih dari satu variabel bebas atau prediktor. Istilah regresi berganda dapat disebut juga dengan istilah multiple regression. Kata multiple berarti jamak atau lebih dari satu variabel.
Tidak sedikit orang yang salah kaprah dalam memahami istilah tersebut. Dimana tidak bisa membedakan antara multiple regression dengan multivariat regression. Perbedaannya adalah jika multiple regression atau regresi berganda adalah adanya lebih dari satu variabel prediktor (variabel bebas/variabel independen. Sedangkan multivariat regression atau regresi multivariat adalah analisis regresi di mana melibatkan lebih dari satu variabel response (variabel terikat/variabel dependen).
Cara menghitung Regresi Berganda
Ada banyak aplikasi atau software yang dapat anda gunakan untuk menghitung atau melakukan analisis regresi pada berbagai jenis regresi. Seperti halnya SPSS, dapat melakukan semua analisis yang ada, kecuali regresi data panel hanya bisa melakukan dengan metode maximum likelihood saja.Sedangkan aplikasi lainnya mempunyai daya yang lebih powerfull, karena bisa melakukan semua diatas, seperti STATA dan Eviews.
D. Manfaat Menerapkan Analisis Regresi
Analisis regresi digunakan hampir pada semua bidang kehidupan, baik itu dalam bidang industri, pemerintahan, engineer, ekonomi dan lain sebagainya. Berikut beberapa manfaat yang bisa didapatkan dengan melakukan penerapan analisis regresi di antaranya,
1. Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasarkan pada nilai variabel bebas.
2. Untuk menguji hipotesis karakteristik dependensi.
3. Meramalkan nilai rata-rata variabel bebas yang didasari nilai variabel bebas di luar jangkauan sampel.
Dari berbagai sumber
Post a Comment for "Pengertian Analisis Regresi, Jenis, Bentuk, dan Manfaatnya"