Analisis Regresi Linear: Langkah dan Contoh

Pendahuluan

Dalam penelitian maupun pengolahan data kuantitatif, seringkali kita ingin memahami bagaimana satu variabel dapat memengaruhi variabel lainnya. Salah satu teknik yang banyak digunakan adalah analisis regresi linear. Dengan teknik ini, bukan hanya hubungan antar-variabel yang bisa dipetakan, tetapi juga dapat dilakukan prediksi terhadap nilai variabel yang terikat (dependen) berdasarkan variabel bebas (independen). Artikel ini akan membahas secara komprehensif mulai dari definisi, tahapan-langkah analisis, hingga contoh penerapannya. Dengan demikian, diharapkan pembaca memperoleh pemahaman yang kuat tentang konsep dan aplikasinya dalam konteks nyata.

Definisi Analisis Regresi Linear

Definisi Analisis Regresi Linear Secara Umum

Analisis regresi linear adalah metode statistik yang digunakan untuk memodelkan dan menganalisis hubungan antara satu variabel terikat (dependen) dengan satu atau lebih variabel bebas (independen). Model yang terbentuk berbentuk persamaan linier yang memungkinkan estimasi atau prediksi nilai variabel terikat berdasarkan nilai variabel bebas. Sebagai contoh, kita dapat menggunakan analisis regresi linear untuk memperkirakan penjualan (Y) berdasarkan biaya iklan (X). Sebuah sumber menggambarkan bahwa “regresi linear adalah metode analisis statistika untuk memprediksi nilai suatu variabel (variabel dependen/Y) berdasarkan variabel lain (variabel independen/X)”. [Lihat sumber Disini - terapan-ti.vokasi.unesa.ac.id]
Lebih lanjut, metode ini sangat berguna karena modelnya relatif sederhana, mudah diinterpretasikan, dan dapat diaplikasikan di berbagai bidang seperti sosial, ekonomi, bisnis, maupun sains. [Lihat sumber Disini - ibm.com]

Definisi Analisis Regresi Linear dalam KBBI

Menurut ‎Kamus Besar Bahasa Indonesia (KBBI), kata regresi memiliki beberapa pengertian, salah satunya adalah “hubungan rata-rata antara variabel”. [Lihat sumber Disini - kbbi.web.id] Dengan demikian, secara terminologi bahasa, analisis regresi linear dapat diartikan sebagai “analisis yang menelaah hubungan rata-rata antara dua variabel atau lebih dengan bentuk linier”. Meskipun definisi dalam KBBI tidak secara khusus menyebut “linear”, namun konsep dasar “hubungan rata-rata antarvariabel” menjadi landasan bagi definisi metode statistik ini.

Definisi Analisis Regresi Linear Menurut Para Ahli

Berikut adalah beberapa definisi menurut para ahli:

1. ‎I Nurdin (2018) menyebut bahwa: “Persamaan regresi yang menggambarkan hubungan antara satu peubah bebas (X) dan satu peubah tak bebas (Y), dimana hubungan keduanya dapat digambarkan sebagai garis lurus disebut regresi linear sederhana. Sementara persamaan yang menggambarkan hubungan antara lebih dari satu peubah bebas (X₁, X₂, …, Xₙ) dan satu peubah tak bebas (Y) disebut regresi linear berganda.” [Lihat sumber Disini - journal.unnes.ac.id]
2. ‎S Lestari (2023) dalam kajiannya menyatakan: “Metode regresi linier adalah suatu alat atau metode dalam ilmu statistik yang dapat digunakan untuk menentukan suatu pengaruh dari satu atau lebih variabel bebas terhadap satu variabel terikat.” [Lihat sumber Disini - journal.literasisains.id]
3. ‎Ghozali (dikutip dalam sejumlah penelitian) menyatakan bahwa regresi linier sederhana digunakan untuk mengukur besarnya pengaruh variabel bebas terhadap variabel terikat dan memprediksi variabel terikat dengan menggunakan variabel bebas. [Lihat sumber Disini - jurnal.peneliti.net]
4. ‎Juliandi, ‎Irfan & ‎Manurung (2014) sebagaimana dikutip di laman BINUS menjelaskan bahwa: “Apabila terdapat lebih dari satu variabel bebas dan satu variabel terikat, maka disebut regresi linear berganda.” [Lihat sumber Disini - accounting.binus.ac.id]

Dari beberapa definisi tersebut, dapat disimpulkan bahwa analisis regresi linear menempatkan fokus pada hubungan linier antara variabel-bebas dan variabel-terikat, dan umumnya digunakan untuk pengukuran pengaruh serta prediksi.

Langkah Analisis Regresi Linear

Dalam praktik penelitian, analisis regresi linear tidak hanya sekadar memasukkan variabel ke software statistik lalu membaca output. Prosesnya melibatkan beberapa tahapan penting agar model yang dihasilkan valid dan dapat diinterpretasikan dengan tepat. Berikut langkah-langkah umumnya:

1. Penentuan Tujuan Penelitian dan Pemilihan Variabel

Sebelum analisis dimulai, peneliti harus merumuskan tujuan penelitian, hipotesis, dan menentukan variabel yang akan dipakai: variabel dependen (Y) serta satu atau lebih variabel independen (X₁, X₂, …). Misalnya, peneliti ingin mengetahui pengaruh jam belajar (X) terhadap nilai ujian (Y). [Lihat sumber Disini - terapan-ti.vokasi.unesa.ac.id]

2. Pengumpulan dan Pengolahan Data

Data yang dikumpulkan harus valid, reliabel, dan sesuai dengan variabel yang telah dirumuskan. Selanjutnya, data perlu diproses: pengecekan missing values, outlier, skala pengukuran, dan transformasi jika diperlukan.

3. Uji Asumsi Klasik

Agar hasil regresi dapat dipercaya, sejumlah asumsi harus dipenuhi. Beberapa asumsi utama model regresi linear antara lain: linearitas hubungan antara X dan Y, normalitas residual, homoskedastisitas (varians residual konstan), independensi observasi atau tidak adanya autokorelasi, serta tidak adanya multikolinearitas (pada regresi berganda). [Lihat sumber Disini - journal.unnes.ac.id]
Contoh: I Nurdin (2018) menegaskan bahwa analisis regresi linear berganda harus diuji normalitas, multikolinearitas, autokorelasi, heteroskedastisitas. [Lihat sumber Disini - journal.unnes.ac.id]

4. Estimasi Model Regresi

Setelah asumsi-terpenuhi, tahap selanjutnya adalah memperkirakan koefisien regresi (intercept dan slope/koefisien variabel bebas). Misalnya model sederhana: Y=a+bX+eY = a + bX + eY=a+bX+e dimana a adalah konstanta, b adalah koefisien regresi. [Lihat sumber Disini - terapan-ti.vokasi.unesa.ac.id]
Dalam regresi berganda: Y=a+b1X1+b2X2+…+bnXn+eY = a + b_1 X_1 + b_2 X_2 + … + b_n X_n + eY=a+b1​X1​+b2​X2​+…+bn​Xn​+e sesuai dengan Juliandi dkk. (2014). [Lihat sumber Disini - accounting.binus.ac.id]

5. Evaluasi Model dan Interpretasi Koefisien

Peneliti perlu melihat seberapa baik model menjelaskan variabilitas variabel dependen, yang biasanya dilihat dari nilai R² (koefisien determinasi), nilai signifikansi (p-value), dan t-statistik koefisien. Misalnya, S Lestari (2023) menegaskan bahwa evaluasi model melibatkan R² dan interpretasi koefisien regresi. [Lihat sumber Disini - journal.literasisains.id]
Contoh interpretasi: Koefisien b positif menunjukkan bahwa peningkatan satu unit variabel bebas akan meningkatkan variabel terikat sebesar b unit, dengan asumsi variabel lain konstan. [Lihat sumber Disini - accounting.binus.ac.id]

6. Prediksi dan Validasi Model

Setelah model terbentuk, peneliti dapat menggunakan model untuk prediksi nilai Y berdasarkan nilai X yang baru. Selain itu, validasi model dengan data baru atau teknik silang (cross-validation) penting untuk memastikan model tidak over-fit. S Lestari (2023) menekankan pentingnya validasi model. [Lihat sumber Disini - journal.literasisains.id]

7. Penarikan Kesimpulan dan Pelaporan

Terakhir, hasil analisis disimpulkan: pengaruh variabel bebas terhadap terikat, kekuatan model, keterbatasan penelitian, dan saran. Pelaporan harus transparan dan mencakup interpretasi serta implikasi praktis.

Contoh Penerapan Analisis Regresi Linear

Agar pemahaman lebih konkret, berikut contoh sederhana yang diadaptasi dari penelitian Indonesia.

Contoh Kasus: Prediksi Nilai Ujian Berdasarkan Jumlah Jam Belajar

Misalnya sebuah penelitian ingin mengetahui seberapa besar pengaruh jam belajar (X) terhadap nilai ujian (Y). Langkah-langkahnya:

1. Data dikumpulkan dari 50 mahasiswa: jam belajar dalam satu minggu dan nilai ujian.
2. Uji asumsi klasik dilakukan: scatterplot menunjukkan pola linear, uji normalitas residual menunjukkan distribusi normal, tidak ada indikasi heteroskedastisitas atau autokorelasi.
3. Estimasi model menggunakan software statistik menghasilkan persamaan: Y = 40 + 2,5X
   • Konstanta (a) = 40: jika jam belajar = 0, nilai ujian diperkirakan 40.
   • Koefisien (b) = 2,5: setiap tambahan satu jam belajar akan meningkatkan nilai ujian rata-rata sebesar 2,5 poin.
4. Nilai R² = 0,64: model menjelaskan 64% variasi nilai ujian melalui jam belajar.
5. Koefisien b signifikan secara statistik (p < 0,05).
6. Hasil prediksi: misalnya jika mahasiswa belajar 10 jam maka nilai diperkirakan = 40 + (2,5×10) = 65.
7. Kesimpulan: Jam belajar berpengaruh positif dan signifikan terhadap nilai ujian, dengan model mampu menjelaskan mayoritas variasi, namun tetap terdapat 36% variasi lain yang tidak dijelaskan oleh model (faktor lain mungkin seperti kualitas belajar, fasilitas, atau kelelahan).

Contoh Penelitian Nyata di Indonesia

Sebagai ilustrasi nyata:

• Penelitian oleh ‎S Sulpantari (2024) “Analisis Regresi Linier Berganda untuk Memodelkan …” menggunakan model regresi berganda dan melibatkan beberapa variabel bebas dalam konteks utang Indonesia. [Lihat sumber Disini - e-jurnal.unisda.ac.id]
• Penelitian oleh ‎A Kurniawan (2025) “Analisis Regresi Linear Berganda untuk Mengetahui Faktor …” memfokuskan pada faktor-faktor yang mempengaruhi prevalensi stunting di Indonesia. [Lihat sumber Disini - jurnal.fisipuniga.ac.id]

Dari kedua penelitian tersebut, dapat dilihat bahwa model regresi linear banyak digunakan dalam konteks sosial-ekonomi di Indonesia, dan hasilnya memberikan insight terhadap faktor-penyebab fenomena yang sedang diteliti.

Kesimpulan

Analisis regresi linear merupakan alat yang sangat powerful dalam penelitian kuantitatif untuk memodelkan hubungan antar variabel dan melakukan prediksi. Definisi metode ini mencakup pemahaman umum, definisi menurut KBBI, serta definisi menurut para ahli statistik. Tahapan analisis mencakup: menentukan tujuan dan variabel, pengumpulan data, uji asumsi, estimasi model, evaluasi dan interpretasi hasil, prediksi dan validasi, serta pelaporan. Contoh penerapan sederhana maupun penelitian nyata menunjukkan bahwa metode ini mampu memberikan kontribusi signifikan terhadap pengambilan keputusan dan pemahaman fenomena. Namun demikian, tetap perlu diingat bahwa model regresi linear memiliki keterbatasan: hanya mengasumsikan hubungan linier, sensitif terhadap pelanggaran asumsi, dan hasil prediksi bukan jaminan sempurna. Oleh karena itu, peneliti perlu berhati-hati dalam penggunaan, interpretasi, dan menyampaikan keterbatasannya.