Regresi Linear: Pengertian, Jenis, Rumus, dan Contoh

Regresi linear merupakan teknik analisis statistik untuk mengetahui hubungan antara variabel terikat (dependent variable) dengan satu atau lebih variabel bebas (independent variables). Metode ini banyak digunakan dalam penelitian kuantitatif bidang ekonomi, manajemen, pendidikan, kesehatan, dan ilmu sosial.

Regresi linear membantu peneliti memahami arah dan besaran hubungan antarvariabel serta memperkirakan nilai variabel terikat berdasarkan prediktor yang digunakan. Namun, hasil regresi tidak otomatis membuktikan hubungan sebab-akibat.

Pengertian Regresi Linear

Regresi linear adalah metode statistik yang digunakan untuk memodelkan hubungan antara variabel terikat numerik dan satu atau lebih variabel bebas. Model ini menggambarkan bagaimana perubahan pada variabel bebas berkaitan dengan perubahan rata-rata variabel terikat.

Contohnya, penelitian ingin menganalisis hubungan kualitas pelayanan dengan kepuasan pelanggan. Kualitas pelayanan menjadi variabel bebas, sedangkan kepuasan pelanggan menjadi variabel terikat.

Jenis-Jenis Regresi Linear

Secara umum, regresi linear dibedakan menjadi dua jenis.

1. Regresi Linear Sederhana

Regresi linear sederhana digunakan ketika penelitian memiliki satu variabel bebas dan satu variabel terikat.

Rumus:

Y = β₀ + β₁X + ε

Keterangan:

  • Y = variabel terikat.
  • X = variabel bebas.
  • β₀ = konstanta.
  • β₁ = koefisien regresi.
  • ε = komponen kesalahan.

Contohnya, penelitian mengenai hubungan kualitas pelayanan dengan kepuasan pelanggan.

2. Regresi Linear Berganda

Regresi linear berganda digunakan untuk menganalisis hubungan dua atau lebih variabel bebas dengan satu variabel terikat.

Rumus:

Y = β₀ + β₁X₁ + β₂X₂ + ... + βₖXₖ + ε

Contohnya, penelitian yang menganalisis kepuasan pelanggan berdasarkan kualitas pelayanan, harga, dan kepercayaan.

AspekRegresi SederhanaRegresi Berganda
Variabel bebasSatuDua atau lebih
Variabel terikatSatuSatu
ContohKualitas pelayanan terhadap kepuasanKualitas pelayanan, harga, dan kepercayaan terhadap kepuasan

Rumus dan Interpretasi Koefisien Regresi

Regresi linear umumnya menggunakan metode Ordinary Least Squares (OLS), yaitu metode yang menentukan koefisien dengan meminimalkan jumlah kuadrat selisih antara nilai aktual dan nilai prediksi.

Koefisien regresi menunjukkan perubahan rata-rata variabel terikat yang berkaitan dengan kenaikan satu unit variabel bebas, dengan prediktor lain dianggap tetap.

Misalnya, penelitian menghasilkan persamaan:

Y = 20 + 8X₁ + 5X₂

Dengan X₁ sebagai kualitas pelayanan dan X₂ sebagai kepercayaan pelanggan. Artinya, kenaikan satu unit kualitas pelayanan berkaitan dengan kenaikan rata-rata 8 poin kepuasan, sedangkan kenaikan satu unit kepercayaan berkaitan dengan kenaikan rata-rata 5 poin, ketika prediktor lainnya dianggap tetap.

Angka tersebut merupakan ilustrasi. Interpretasi hasil penelitian sebenarnya harus menggunakan koefisien dari data empiris.

Asumsi Regresi Linear

Sebelum menginterpretasikan hasil regresi, peneliti perlu memeriksa beberapa asumsi dan kondisi model berikut:

  1. Linearitas: hubungan antara prediktor dan rata-rata variabel terikat dapat direpresentasikan secara memadai oleh model.
  2. Independensi kesalahan: residual antarobservasi tidak memiliki ketergantungan sistematis.
  3. Homoskedastisitas: varians residual relatif konstan pada berbagai tingkat nilai prediksi.
  4. Normalitas residual: distribusi residual diperhatikan terutama untuk keperluan inferensi statistik klasik, khususnya pada sampel kecil.
  5. Tidak ada multikolinearitas sempurna: prediktor tidak memiliki hubungan linear sempurna. VIF dapat digunakan untuk memeriksa tingkat multikolinearitas.
  6. Eksogenitas: prediktor tidak memiliki hubungan sistematis dengan komponen kesalahan model.

Pemeriksaan dapat dilakukan melalui grafik residual dan pengujian statistik yang sesuai. Tidak cukup menyimpulkan model sudah baik hanya karena seluruh uji asumsi menghasilkan nilai signifikansi di atas 0,05.

Tahapan Analisis Regresi Linear

Analisis regresi linear dapat dilakukan menggunakan SPSS, R, Stata, Python, atau Microsoft Excel. Secara umum, tahapannya meliputi:

  1. Menentukan variabel terikat dan variabel bebas berdasarkan teori serta rumusan masalah.
  2. Memeriksa data dari kesalahan input, duplikasi, data hilang, dan nilai ekstrem.
  3. Menentukan model regresi sederhana atau berganda.
  4. Melakukan estimasi dan pemeriksaan asumsi model.
  5. Menginterpretasikan koefisien, signifikansi, dan kemampuan model menjelaskan variasi variabel terikat.

Cara Membaca Hasil Regresi Linear

Dalam output SPSS, beberapa informasi utama yang perlu diperhatikan adalah:

  • R² (Koefisien Determinasi): menunjukkan proporsi variasi variabel terikat yang dapat dijelaskan oleh model. Misalnya, R² sebesar 0,64 berarti model menjelaskan 64% variasi outcome pada data yang dianalisis.
  • Uji t: menguji koefisien masing-masing prediktor secara individual dengan memperhitungkan prediktor lain dalam model.
  • Uji F: menguji apakah seluruh koefisien prediktor secara bersama-sama sama dengan nol dalam regresi berganda.
  • Koefisien B: menunjukkan perubahan rata-rata outcome dalam satuan aslinya.
  • Nilai p dan interval kepercayaan: memberikan informasi mengenai bukti statistik dan ketidakpastian estimasi.

Hasil signifikan tidak selalu berarti hubungan tersebut besar atau penting secara praktis. Karena itu, interpretasi perlu mempertimbangkan besaran koefisien, interval kepercayaan, dan konteks penelitian.

Contoh Interpretasi Hasil Regresi

Misalnya, hasil regresi menunjukkan koefisien kualitas pelayanan sebesar 0,45 dengan nilai p = 0,002.

Narasi yang tepat:

“Analisis regresi menunjukkan bahwa kualitas pelayanan memiliki koefisien positif sebesar 0,45 (p = 0,002). Temuan ini mengindikasikan bahwa peningkatan satu unit kualitas pelayanan berkaitan dengan peningkatan rata-rata 0,45 unit kepuasan pelanggan setelah memperhitungkan prediktor lain dalam model.”

Hindari menyatakan bahwa kualitas pelayanan menyebabkan peningkatan kepuasan sebesar 45%. Koefisien 0,45 bukan persentase, dan regresi pada penelitian observasional tidak otomatis membuktikan hubungan sebab-akibat.

Kesimpulan

Regresi linear merupakan teknik statistik untuk menganalisis hubungan antara variabel terikat numerik dengan satu atau lebih variabel bebas. Regresi sederhana digunakan untuk satu prediktor, sedangkan regresi berganda digunakan untuk beberapa prediktor.

Penerapannya membutuhkan pemilihan model yang tepat, pemeriksaan asumsi, serta interpretasi koefisien dan hasil statistik secara cermat. Regresi yang baik bukan sekadar menghasilkan nilai signifikansi, tetapi mampu menjawab pertanyaan penelitian tanpa melampaui batas kesimpulan yang didukung oleh data.

GoAcademica membantu mahasiswa, peneliti, dan akademisi memahami metodologi penelitian, analisis data, serta penulisan artikel ilmiah secara lebih terarah.

Perlu Publikasi Jurnal Ilmiah?

Hubungi tim expert dari GoAcademica untuk konsultasi gratis menentukan tujuan publikasi jurnal SINTA Anda

Scan the code

FAQ

Apa perbedaan regresi linear sederhana dan berganda?

Regresi sederhana menggunakan satu variabel bebas, sedangkan regresi berganda menggunakan dua atau lebih variabel bebas untuk menjelaskan satu variabel terikat.

Apakah semua variabel regresi linear harus berdistribusi normal?

Tidak. Pemeriksaan normalitas dalam regresi linear berkaitan dengan residual, bukan keharusan seluruh variabel berdistribusi normal.

Apa fungsi R² dalam regresi linear?

R² menunjukkan proporsi variasi variabel terikat yang dapat dijelaskan oleh model pada data yang dianalisis. Nilai ini bukan persentase pengaruh kausal.

Apakah regresi linear dapat digunakan untuk data kuesioner Likert?

Regresi linear dapat digunakan pada skor komposit dari beberapa item Likert apabila skor diperlakukan sebagai pendekatan numerik dan asumsi model dinilai memadai. Untuk satu item ordinal, regresi ordinal dapat menjadi alternatif.

Apakah regresi linear dapat membuktikan sebab-akibat?

Tidak secara otomatis. Klaim kausal memerlukan dukungan desain penelitian, urutan waktu, pengendalian faktor perancu, dan asumsi kausal yang memadai.

Apa saja software untuk analisis regresi linear?

Beberapa perangkat lunak yang dapat digunakan adalah SPSS, R, Stata, Python, dan Microsoft Excel.

Referensi

  1. Montgomery, D. C., Peck, E. A., & Vining, G. G. (2021). Introduction to linear regression analysis (6th ed.). John Wiley & Sons.
  2. National Institute of Standards and Technology. (n.d.). Linear least squares regression. NIST/SEMATECH e-Handbook of Statistical Methods. https://www.itl.nist.gov/div898/handbook/pmd/section1/pmd141.htm
  3. The Pennsylvania State University. (n.d.-a). 1: Simple linear regression. STAT 501: Regression Methods. https://online.stat.psu.edu/stat501/Lesson01
  4. The Pennsylvania State University. (n.d.-b). 4: SLR model assumptions. STAT 501: Regression Methods. https://online.stat.psu.edu/stat501/Lesson04
Scroll to Top