PENDAHULUAN
1.1 Latar Belakang
Regresi
adalah bentuk hubungan fungsional antara variabel respon dan prediktor.
Analisis regresi merupakan teknik statistik yang banyak penggunnya serta
mempunyai manfaat yang cukup besar bagi pengambil keputusan. Secarra umum,
dalan analisis regresi digunakan metode kuadrat terkecil ( least square method ) untuk mencari kecocokan garis reresi dengan
data sampel yang diamati.
Ketika kita menggunakan statistika untuk
menguji hipotesis maka muncullah dua macam hipotesis berupa hipotesis
penelitian dan hipotesis statistika. Tepatnya hipotesis penelitian kita rumuskan
kembali menjadi hipotesis statistika yang sepadan. Hipotesis statistika harus
mencerminkan dengan baik maksud dari hipotesis penelitian yang akan diuji (Singgih,2012).
Analisis regresi (regressison analysis)
merupakan suatu teknik untuk membangun persamaan dan menggunakan persamaan
tersebut untuk membuat perkiraan (prediction). Dengan demikian, analisis
regresi sering disebut sebagai analisis prediksi. Analisis regresi dapat
didefinisikan metode statistika digunakan untuk menentukan bentuk hubungan
antara variabel-variabel, dengan tujuan pokok dalam penggunaan metode ini
adalah untuk meramalkan atau memperkirakan nilai dari suatu variabel lain yang
belum diketahui.
Ada
beberapa hal yang harus diperhatikan dalam asumsi regresi linear sederhana
yaitu:
1.
Residual
data berdistribusi noral
2.
Tidak
terjadi heteroskedasits
3. Tidak terdapat Autokorelasi
1.2 Batasan
Masalah
Agar
analisis ini semakin jelas dan terarah perlu dilakukan pembatasan masalah. Adapun
batasan masalah dalam analisis ini adalah:
1)
Perkebunan di
kota A
2)
Uji coba
dilakukannya pemberian pupuk organik dan diharapkan dapat mempengaruhi produksi
durian.Selama uji coba pada tahun 2003
3)
Data yang
digunakan adalah data sekunder dari Alan.2012. Analisis Regresi Linear Sederhana.Http://www.scrib.com.
1.3 Rumusan Masalah
Permasalahan
yang akan dianalisis dalam penelitian ini adalah apakah Suatu perusahaan
perkebunan durian dikota A melakukan uji coba pemberian pupuk organik dapat mempengaruhi produksi durian selama uji coba pada tahun 2003.
1.4 Tujuan
Penelitian
Adapun tujuan dari dilakukannya penelitian adalah untuk menganalisis seberapa
besar pengaruh produksi durian.Selama uji coba pada tahun 2003.
BAB 2
TINJAUAN PUSTAKA
2.1 Pengertian Regresi Linier
Pengertian regresi secara umum adalah
sebuah alat statistik yang memberikan penjelasan tentang pola hubungan (model)
antara dua variabel atau lebih.. Dalam analisis regresi dikenal 2 jenis
variabel yaitu:
1. Variabel
Respon disebut juga variabel dependen yaitu variabel yang keberadaannya
dipengaruhi oleh variabel lainnya dan dinotasikan dengan variabel.
2. Variabel Prediktor
disebut juga dengan variabel independen yaitu variabel yang bebas (tidak
dipengaruhi oleh variabel lainnya) dan dinotasikan dengan
Untuk
mempelajari hubugan – hubungan antara variabel bebas maka regresi linier
terdiri dari dua bentuk, yaitu:
1. Analisis regresi sederhana (Simple analysis regresi)
2. Analisis regresi berganda (Multiple analysis regresi)
Analisis regresi sederhana merupakan
hubungan antara dua variabel yaitu variabel bebas (variable independen) dan variabel tak bebas (variabel dependen).
Sedangkan
analisis regresi berganda merupakan hubungan antara 3 variabel atau lebih,
yaitu sekurang-kurangnya dua variabel bebas dengan satu variabel tak bebas. Tujuan
utama regresi adalah untuk membuat perkiraan nilai suatu variabel (variabel dependen) jika nilai variabel
yang lain yang berhubungan dengannya (variabel lainnya) sudah ditentukan (Hasan, 2010).
2.2 Analisis Regresi Linier Sederhana
Regresi linier sederhana digunakan untuk
mendapatkan hubungan matematis dalam bentuk suatu persamaan antara variabel tak
bebas tunggal dengan variabel bebas tunggal. Regresi linier sederhana hanya
memiliki satu peubah yang dihubungkan dengan satu peubah tidak bebas . Bentuk
umum dari persamaan regresi linier untuk populasi adalah
Di mana:
Y
= a + bx (2.1)
Y = Variabel takbebas
x = Variabel
bebas
a = Parameter
Intercep
b = Parameter
Koefisisen Regresi Variabel Bebas
Menentukan koefisien persamaan a dan b
dapat dengan menggunakan metode kuadrat terkecil, yaitu cara yang dipakai untuk
menentukan koefisien persamaan dan dari jumlah pangkat dua (kuadrat) antara
titik-titik dengan garis regresi yang dicari ysng terkecil .
2.3 Uji Hetrosketastisitas
Pada
analisis regresi, heteroskedastisitas berarti situasi dimana keragaman variabel
independen bervariasi pada data yang kita miliki. Salah satu asumsi kunci pada
metode regresi biasa adalah bahwa error memiliki keragaman yang sama pada
tiap-tiap sampelnya. Asumsi inilah yang disebut homoskedastisitas. Jika
keragaman residual/error tidak bersifat konstan, data dapat dikatakan bersifat
heteroskedastisitas. Karena pada metode regresi ordinary least-squares
mengasumsikan keragaman error yang konstan, heteroskedastisitas menyebabkan
estimasi OLS menjadi tidak efisien. Model yang memperhitungkan perubahan
keragaman dapat membuat penggunaan dan estimasi data menjadi lebih efisien. Beberapa
asumsi dalam model regresi yang terkait dengan heteroskedastisitas antara lain
adalah residual (e) memiliki nilai rata-rata nol, keragaman yang konstan, dan
residual pada model tidak saling berhubungan, sehingga estimator bersifat BLUE.
Jika asumsi ini dilanggar maka prediksi model yang dibuat tidak dapat
diandalkan.
KASUS DAN PEMBAHASAN
3.1 Kasus
Suatu perusahaan perkebunan durian dikota A melakukan
uji coba pemberian pupuk organik dan diharapkan dapat mempengaruhi produksi
durian.Selama uji coba pada tahun 2003 , diperoleh data sebagai berikut :
Tabel 3.1 Jumlah
Produksi Durian dan Jumlah Pupuk Organik
|
Jumlah Produksi
Durian (kilogram) : Y
|
Jumlah Pupuk
Organik (kilogram) : X
|
|
100
|
2
|
|
120
|
2
|
|
140
|
3
|
|
150
|
3
|
|
165
|
3
|
|
190
|
4
|
|
200
|
4
|
|
220
|
5
|
Sumber: Alan.2012. Analisis Regresi Linear Sederhana.Http://www.scrib.com.23 Okteber
2012.
3.2 Pembahasan
3.2.1 Penaksiran
Parameter
3.2.1.1.
Uji Parsial (Uji t)
Tabel 3.2 Uji t
|
P-Value
|
Keputusan
|
|
0,000
|
H0 di tolak
|
Sumber
: lampiran sambungan 1 Coefficients
Hipotesis
H0 :
( Tidak ada pengaruh antara jumlah produksi
durian terhadap jumlah pupuk organik)
H1 :
( Ada pengaruh antara jumlah produksi durian
terhadap jumlah pupuk organik)
Taraf Signifikansi
Daerah Kritik
H0 ditolak
jika P-value <
Keputusan
Dari hasil penelitian didapatkan ;
P-value
= 0,000 < 0,05 maka H0 di tolak
Kesimpulan
Ada
pengaruh antara jumlah produksi durian terhadap jumlah pupuk organik
3.2.1.2
Uji Simultan (Uji F)
Tabel 3.3 Uji F
|
P-Value
|
Keputusan
|
|
0,000
|
H0 di tolak
|
Sumber : lampiran
sambungan 1 Anova
Hipotesis
H0 : Model regresi
belum tepat digunakan untuk memprediksi produksi durian
H1 : Model regresi
belum tepat digunakan untuk memprediksi produksi durian
Taraf Signifikansi
Daerah Kritik
H0 ditolak
jika P-value <
Keputusan
Dari hasil penelitian didapatkan ;
P-value
= 0,000 < 0,05 maka H0 di tolak
Kesimpulan
Ada
pengaruh antara jumlah produksi durian terhadap jumlah pupuk organik
3.1.2 Uji Heteroskedastisitas
Tabel 3.4 Uji Heteroskedastisitas
|
P-Value
|
Keputusan
|
|
0,544
|
H0 gagal di tolak
|
Sumber : lampiran
sambungan 2 Anova
Hipotesis
H0 : Tidak terjadi
heteroskedasitas pada model regresi
H1 : Terjadi heteroskedasitas pada model regresi
Taraf Signifikansi
Daerah Kritik
H0 ditolak
jika P-value <
Keputusan
Dari hasil penelitian didapatkan ;
P-value
= 0,544 > 0,05 maka H0 di tolak
Kesimpulan
Tidak terjadi
heteroskedasitas pada model regresi
3.1.3 Uji Autokorelasi
Tabel 3.5 Uji Autokorelasi
|
Durbin-Watson
|
Keputusan
|
|
2,400
|
H0 gagal di tolak
|
Sumber
: lampiran sambungan 1 model summary
Hipotesis
H0 :
( Tidak terjadi autokorelasi pada model regresi )
H1 :
( Terjadi autokorelasi
pada model regresi )
kriteria Pengujian
Daerah kritik
H0 diterima jika du
Keputusan
Dari hasil penelitian didapatkan ;
0,7629
7629
Kesimpulan
Tidak
terjadi heteroskedasitas pada model regresi
3.1.4 Model Estimasi Sederhana
Tabel 3.6 Model Estimasi Sederhana
|
Nilai Koefesien
|
Unstandardized
Coefficients
(B)
|
|
|
35,500
|
|
|
38,500
|
Sumber : lampiran
sambungan 1 Coefficients
Jumlah produksi durian = 35,500+38,500
x jumlah pupuk
Interpretasi Model
1.
Apabila
variabel jumlah pupuk dianggap konstan
atau tanpa dipengarhi oleh jumlah pupuk
, maka produksi durian adalah sebesar 35,500
2.
Apabila terjadi
panambahan sebesar 1 pupuk organik , maka produksi durian akan naik sebesar
38,500
3.1.5
Koefesien Korelasi dan Determinasi
Tabel
3.7 Koefesien Korelasi dan Determinasi
|
R
|
R Square
|
|
0,970a
|
0,940
|
Sumber : lampiran sambungan 1 model summary
Interpretasi
Koefesien korelasi antara variabel
jumlah pupuk organik dengan produksi durian adalah sebesar 0,970 artinya hubungan yang terjadi antara
jumlh pupuk organik dengan jumlah
produksi durian sangat tinggi.
Nilai koefesien determinasi adalah 0,940
yang artinya sebesar 94 % variasi yang terjadi terhadap banyak sedikitnya
jumlah produksi durian disebabkan oleh variasi jumlah pupuk organik dan sisanya
sebesar 6 % disebabkan oleh faktor lain yang tidak dapat diterangkan.
PENUTUP
4.1
Kesimpulan
Analisis regresi di gunakan untuk melihat
pengeruh variabel bebas terhadap variabel tergantung serta memprediski nilai
variabel bebas berfungsi untuk menerangkan sedangkan variabel tergantung
berfungsi sebagai yang diterangkan. Hubungan jumlah pupuk organik dan jumlah
produksi durian Koefesien korelasinya sangat tinggi. Sehingga jumlah pupuk
organik sangat mempengaruhi jumlah produksi durian .
4.2
Saran
Sebaiknya waktu untuk praktikum ditambahkan agar praktikan dapat
menambah ilmu dan lebih mahir serta pandai dalam menginterprestasikan hasil
output mengunakan software SPSS tersebut.
DAFTAR PUSTAKA
Alan.2012. Analisis Regresi Linear Sederhana.Http://www.scrib.com.23
Okteber.
Hasan, Iqbal. 2010. Pokok-Pokok
Materi Statistik 2 (Statistik Infrwnsial). Jakarta: Bumi Aksara.
Santoso,Singgih.
2012.Paduan Lengkap SPSS Versi 20. Jakarta
: PT. Elex media Komputindo.
Lampiran 1
Uji Regresi Linier Sederhana
|
Variables Entered/Removeda
|
|||
|
Model
|
Variables
Entered
|
Variables
Removed
|
Method
|
|
1
|
J.P.Pupukb
|
.
|
Enter
|
|
Model Summaryb
|
|||||
|
Model
|
R
|
R Square
|
Adjusted
R Square
|
Std.
Error of the Estimate
|
Durbin-Watson
|
|
1
|
,970a
|
,940
|
,930
|
10,83974
|
2,400
|
|
a.
Predictors: (Constant), J.P.Pupuk
|
|||||
|
b.
Dependent Variable: J.P.Durian
|
|||||
|
ANOVAa
|
||||||
|
Model
|
Sum of Squares
|
df
|
Mean Square
|
F
|
Sig.
|
|
|
1
|
Regression
|
11116,875
|
1
|
11116,875
|
94,612
|
,000b
|
|
Residual
|
705,000
|
6
|
117,500
|
|
|
|
|
Total
|
11821,875
|
7
|
|
|
|
|
|
a. Dependent Variable:
J.P.Durian
|
||||||
|
b. Predictors: (Constant),
J.P.Pupuk
|
||||||
|
Coefficientsa
|
||||||
|
Model
|
Unstandardized Coefficients
|
Standardized Coefficients
|
t
|
Sig.
|
||
|
B
|
Std. Error
|
Beta
|
||||
|
1
|
(Constant)
|
35,500
|
13,423
|
|
2,645
|
,038
|
|
J.P.Pupuk
|
38,500
|
3,958
|
,970
|
9,727
|
,000
|
|
|
a. Dependent Variable:
J.P.Durian
|
||||||
|
Residuals Statisticsa
|
|||||
|
|
Minimum
|
Maximum
|
Mean
|
Std. Deviation
|
N
|
|
Predicted Value
|
112,5000
|
228,0000
|
160,6250
|
39,85129
|
8
|
|
Residual
|
-12,50000
|
14,00000
|
,00000
|
10,03565
|
8
|
|
Std. Predicted Value
|
-1,208
|
1,691
|
,000
|
1,000
|
8
|
|
Std. Residual
|
-1,153
|
1,292
|
,000
|
,926
|
8
|
|
a. Dependent Variable:
J.P.Durian
|
|||||
|
Variables Entered/Removeda
|
|||
|
Model
|
Variables
Entered
|
Variables
Removed
|
Method
|
|
1
|
J.P.Pupukb
|
.
|
Enter
|
|
a.
Dependent Variable: abs
|
|||
|
b. All
requested variables entered.
|
|||
|
Model Summaryb
|
|||||
|
Model
|
R
|
R Square
|
Adjusted R Square
|
Std. Error of the Estimate
|
Durbin-Watson
|
|
1
|
,254a
|
,064
|
-,091
|
5,25145
|
3,436
|
|
a. Predictors: (Constant),
J.P.Pupuk
|
|||||
|
b. Dependent Variable: abs
|
|||||
|
ANOVAa
|
|||||||||||||||||||||||||||||||||||||||||||
|
Model
|
Sum of
Squares
|
df
|
Mean
Square
|
F
|
Sig.
|
||||||||||||||||||||||||||||||||||||||
|
1
|
Regression
|
11,408
|
1
|
11,408
|
,414
|
,544b
|
|||||||||||||||||||||||||||||||||||||
|
Residual
|
165,467
|
6
|
27,578
|
|
|
||||||||||||||||||||||||||||||||||||||
|
Total
|
176,875
|
7
|
|
|
|
||||||||||||||||||||||||||||||||||||||
|
a.
Dependent Variable: abs
|
|||||||||||||||||||||||||||||||||||||||||||
|
Lanjutan Lampiran 2
|
|||||||||||||||||||||||||||||||||||||||||||
|
Residuals Statisticsa
|
|||||
|
|
Minimum
|
Maximum
|
Mean
|
Std.
Deviation
|
N
|
|
Predicted
Value
|
5,9667
|
9,6667
|
8,1250
|
1,27662
|
8
|
|
Residual
|
-7,43333
|
5,56667
|
,00000
|
4,86190
|
8
|
|
Std.
Predicted Value
|
-1,691
|
1,208
|
,000
|
1,000
|
8
|
|
Std.
Residual
|
-1,415
|
1,060
|
,000
|
,926
|
8
|
|
a.
Dependent Variable: abs
|
|||||
Tidak ada komentar:
Posting Komentar