Kelas : 3B
Regresi
Salah satu teknik analisis data yang sedang ngetrend belakangan ini adalah regresi. Regresi adalah salah satu metode peramalan yang dikenal dalam statistic. dalam dunia pendidikan, regresi sangat sering digunakan oleh mahasiswa yang sedang menyelesaikan tugas akhir.Analisis regresi berguna untuk :
• mengetahui pengaruh antara variable bebas (yang juga dikenal dengan prediktor) yang disimbolkan dengan X dan variable terikat (yang juga dikenal dengan kriterium) yang disimbolkan dengan Y.
Istilah variable bebas dan variable terikat berasal dari matematika. Dalam penelitian:
• variable bebas adalah variable yang dimanipulasikan oleh peneliti. Misalnya seorang peneliti di bidang pendidikan yang mengkaji akibat dari berbagai metode pengajaran. Peneliti dapat menentukan metode (sebagai variable bebas) dengan menggunakan berbagai macam metode. Dalam bahasa yang lebih lugas, variable bebas adalah variable yang meramalkan sedangkan variable terikat adalah variable yang diramalkan.
• Variable terikat adalah akibat yang di duga mengikuti perubahan dari variable bebas.Contoh, misalnya kita mengkaji tentang hubungan antara kecerdasan dan prestasi sekolah, maka kecerdasan adalah variable bebas dan prestasi sekolah adalah variable terikat. Jika kita meneliti hubungan antara merokok dan penyakit kanker, maka merokok adalah variable bebas dan penyakit kanker adalah variable terikat.
Jenis-jenis Persamaan Regresi :
a. Regresi Linier :
- Regresi Linier Sederhana
- Regresi Linier Berganda
b. Regresi Nonlinier
- Regresi Eksponensial
Dalam melakukan penentuan variable bebas dan variable terikat harus dilandasi dengan teori yang kuat. Hal ini karena statistic tidak dapat membedakan data yang memiliki teori dengan data yang tidak berteori. Jika data yang kita gunakan tidak memiliki landasan teori yang kuat, maka kesimpulan yang kita ambil akan sangat menyesatkan. Misalnya, kita memprediksi prestasi belajar dengan hasil panen padi. Secara statistic, bisa jadi prestasi belajar dipengaruhi oleh panen padi. Akan tetapi dalam kenyataannya, hasil analisis ini tidak dapat dibuktikan.
Model regresi bermacam-macam. Misalnya, regresi linear, regresi parabola, regresi hiperbola, regresi fungsi pangkat tiga dan lain-lain. Akan tetapi, regresi yang paling sering digunakan adalah regresi linear. model regresi linear dapat dituliskan dalam bentuk matematis sebagai berikut:
β0 = intersep Y untuk populasi
β0 = slope untuk populasi
ε = random error dalam Y untuk observasi ke-i
Dalam menentukan persamaan model regresi linear sederhana diperlukan metode tertentu. Metode yang paling sering digunakan adalah metode kuadrat terkecil (Least Square method). Pada dasarnya, least square method adalah metode meminimasi persamaan kuadrat. Dengan meminimasi persamaan kuadrat tersebut, maka akan didapatkan nilai untuk slope dan nilai untuk intersep yang akan membuat persamaan itu menjadi yang paling baik. misalnya, jika kita ingin meramal hubungan antara intelejensi dan prestasi belajar. Dengan menggunakan metode regresi linear sederhana, kita mendapatkan persamaan sebagai berikut:
Y = 2,55 + 0,93 (X) Maka -12,77 disebut intersep dan 0,93 disebut slope. Slope sebesar 0,93 berarti bahwa setiap peningkan 1 unit X (intelejensi), maka diperkirakan akan terjadi peningkatan sebesar 0,93 pada prestasi belajar. Nilai 2,55 melambangkan prestasi belajar. Kita bias gunakan model regresi yang telah kita hasilkan tersebut untuk memprediksi prestasi belajar seorang anak apabila dia memiliki intelejensi tertentu.
Pada postingan berikut insya Allah saya akan mendemonstrasikan bagaimana melakukan perhitungan untuk menemukan model persamaan regresi linear sederhana.
Dibawah ini contoh dari Analisis Regresi :
Perbandingan antara nilai PreTest dan PostTest dari 30 orang siswa pada mata pelajaran Sejarah
ANALISIS OUTPUT
Berdasarkan tabel diatas di dapatkan output hasil perhitungan dalam SPSS adalah sebagai berikut :Regression
Pembahasan 1 :
Mean PreTest = 6,1667
Mean PosTest = 7,5000
Standar deviasi dari PreTest = 1,01992
Standar deviasi dari PosTest = 0.93772
Banyaknya data yang dianalisis adalah = 30 siswa
Korelasi Pearson di peroleh , r = 0,667
Pembahasan 2 :
Pada tabel model Summary diperoleh R = 0,445 artinya variabel PosTest dapat menerangkan variabilitas sebesar 44,5% dari variabilitas PreTest, sedangkan sisanya diterangkan oleh variabel lain (dimana R merupakan koefisien determinasi)
Dan nilai Durbin-Watson =1,719 yang berarti tidak terjadi autokorelas (non autokorelasi). Dikaitkan dengan penguji yang dilakukan D-W, nilai yang terletak 1,65 < onblur="try {parent.deselectBloggerImageGracefully();} catch(e) {}" href="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEi3n7617qxvfGNA9pRvBWM_7kFoB5t6Vl2seY_wp_DO9NzzN50NpxPY6JX7XxMLN0Hm71MfBy8C2pZPJHe9PU8WKQNl7ofY0J7V4W-rtWXKTY7-cVpMP0BO-igMUBlBeEMlJT9Ne6HC77yZ/s1600-h/6.JPG">
< b="0" b="0" hitung =" 22.443," tabel =" 2,62"> F tabel maka disimpulkan bahwa kita dapat menolak Ho. artinya ada hubungan linier antara PosTest dengan PreTest ( hasil ini bisa juga dilihat pada nilai Signifikansi sebesar 0,000 yang artinya signifikansi pada taraf 1% ).
Pada bagian residual, mean square nya = 0,598
Sehingga total df nya 29.
Pembahasan 4 :
Untuk Pengujian signifikan koefisien regresi dilakukan sbb, (table Coefficients)
a. Untuk Konstanta
Hipotesis : Ho = koefisien regresi tidak signifikasi
H1 = koefisien regresi signifikan
Pada taraf signifikansi 5%, nilai t tabel atau t 0,025;28 = 2,048 dan t hit = 0,627 karena t hit < ho =" koefisien" h1 =" koefisien" 28 =" 2,048" hit =" 4,737"> t table, maka dapat disimpulkan tolak Ho. Artinya PosTest berpengaruh pada PreTest. Hal ini bisa dilihat dari nilai Sig. = 0,000 yang lebih kecil dari taraf signifikansi 5%. Sehingga model regresi yang terbentuk adalah :
PreTest = 0.725 + 0,725 PosTest
Tanda + pada variabel PosTest menunjukkan arah yang searah, artinya bila nilai PreTest naik maka nilai Postest juga akan naik begitupun sebaliknya.
• 95.0% Confidence Interval untuk masing-masing koefisien regresi yang distandarisasi. Pada kasus ini kita menggunakan taraf kepercayaan 95 %.
• Untuk Konstanta:
• Lower Bound adalah nilai terendah dari hasil tes keseluruhan, yaitu -1.645
• Upper Bound adalah nilai tertinggi dari hasil tes keseluruhan, yaitu 3.096
• Untuk PostTes :
• Lower Bound adalah nilai terendah dari hasil tes keseluruhan, yaitu 0.412
• Upper Bound adalah nilai tertinggi dari hasil tes keseluruhan, yaitu 1.039