Apa Itu Regresi? Ini Fungsi, Cara Kerja, hingga Contoh Hitungnya

Ringkasan
- Regresi adalah metode statistik untuk mengukur dan memprediksi hubungan antara satu variabel dengan variabel lainnya.
- Fungsi regresi secara umum mencakup prediksi, pengukuran hubungan antarvariabel, dan membantu pengambilan keputusan berbasis data.
- Cara kerja regresi adalah menghitung garis terbaik yang meminimalkan selisih antara data aktual dan hasil prediksi.
Regresi merupakan metode statistik yang sering digunakan untuk menganalisis data. Secara sederhana, regresi mencoba melihat bagaimana perubahan pada satu faktor berkaitan dengan perubahan pada faktor lainnya.
Dalam artikel ini, akan dibahas apa itu regresi, fungsi, tujuan, cara kerja, jenis-jenisnya, cara menghitung, hingga contoh penerapannya pada saham.
Pengertian Regresi
Regresi adalah metode statistik yang digunakan untuk mengukur dan menjelaskan hubungan antara satu variabel dependen (Y) dengan satu atau lebih variabel independen (X). Analisis ini digunakan untuk memahami hubungan antara variabel dependen dan independen, memprediksi hasil, dan mengukur pengaruh antarvariabel.
Secara sederhana regresi: Coba bayangkan kamu ingin tahu apakah uang saku bulanan memengaruhi pengeluaran belanja. Nah, dalam hal ini regresi membantu menjawab tentang seberapa besar pengaruhnya, dan berapa perkiraan pengeluaran kalau uang saku berubah.
Regresi tidak sekadar mencari korelasi. Regresi juga memodelkan hubungan itu ke dalam persamaan matematis yang bisa dipakai untuk memprediksi. Dua elemen utamanya:
Elemen | Penjelasan | Contoh |
Variabel dependen (Y) | Variabel yang ingin diprediksi/dijelaskan | Pengeluaran belanja |
Variabel independen (X) | Variabel yang memengaruhi Y | Uang saku bulanan |
Korelasi vs Regresi
Aspek | Korelasi | Regresi |
|---|---|---|
Tujuan | Mengukur kekuatan dan arah hubungan | Memodelkan dan memprediksi hubungan |
Hasil | Koefisien r (−1 sampai 1) | Persamaan, misalnya Y = a + bX |
Posisi variabel | Setara, tidak ada X dan Y | Ada variabel dependen dan independen |
Contoh pertanyaan | "Seberapa kuat jam belajar berhubungan dengan nilai?" | "Berapa nilai yang diperkirakan jika belajar 7 jam?" |
Fungsi Regresi
Beberapa fungsi regresi dalam analisis data secara umum, meliputi:
Memperkirakan nilai → Regresi memperkirakan nilai Y dari nilai X berdasarkan pola data historis. Perkiraan ini bukan kepastian dan bisa meleset saat kondisi berubah.
Mengukur kekuatan hubungan antarvariabel → Regresi menunjukkan seberapa kuat dan searah mana pengaruh satu variabel terhadap variabel lain.
Mendukung keputusan berbasis data → Regresi membantu perusahaan mengambil keputusan berdasarkan data, bukan dugaan.
Mengoptimalkan operasional bisnis → Regresi membantu perusahaan menyesuaikan operasional berdasarkan pola data historis.
Menjadi dasar model machine learning → Analisis regresi jadi salah satu metode paling dasar di bidang machine learning yang digunakan untuk prediksi.
Tujuan Regresi
Secara umum, regresi bertujuan untuk:
Menjelaskan (explanatory) → Mengetahui variabel mana yang benar-benar berpengaruh terhadap suatu hasil, dan seberapa besar pengaruhnya.
Memprediksi (predictive) → Manfaat analisis regresi adalah untuk membuat prediksi atas data yang dimiliki. EKRUT
Menguji signifikansi hubungan → Mengukur signifikansi hubungan artinya menentukan apakah hubungan antara variabel independen dan dependen signifikan secara statistik.
Cara Kerja Regresi
Secara umum, regresi bekerja dengan mencari garis (atau kurva) yang paling mendekati sebaran titik data, dengan cara meminimalkan total selisih kuadrat antara nilai aktual dan nilai prediksi. Metode tersebut disebut ordinary least squares (OLS).
Alur kerja regresi
Kumpulkan data → Tentukan variabel X dan Y.
Buat scatter plot → Lihat pola hubungan data.
Cari garis terbaik → Hitung garis yang paling sesuai dengan data.
Bentuk persamaan → Diperoleh persamaan Y = a + bX.
Uji hasilnya → Periksa apakah hubungan dan model cukup akurat.
Gunakan hasilnya → Untuk membuat prediksi atau menganalisis hubungan antarvariabel.
Jenis Regresi
Beberapa jenis regresi yang umum dipakai di antaranya:
Jenis | Waktu Dipakai |
Regresi linier sederhana | Satu variabel independen, hubungan linier |
Regresi linier berganda | Dua atau lebih variabel independen |
Regresi logistik | Memodelkan hubungan antara variabel dependen kategori dan satu atau lebih variabel independen (misalnya ya/tidak) |
Regresi polinomial | Sama dengan regresi linier berganda namun dengan sedikit modifikasi untuk pola tidak lurus |
Asumsi Klasik Regresi
Beberapa syarat penting agar hasil regresi valid, yakni dengan:
Linieritas → Pola hubungan X dan Y sebaiknya linier.
Normalitas residual → Residual, selisih antara nilai yang diamati dan nilai prediksi model, terdistribusi normal.
Homoskedastisitas → Varians residual konstan di semua nilai X. Kalau tidak, disebut heteroskedastisitas.
Tidak ada autokorelasi → Residual tidak saling berkorelasi, terutama penting pada data deret waktu seperti return saham.
Tidak ada multikolinearitas → Khusus regresi berganda: antarvariabel independen tidak boleh saling berkorelasi sangat kuat.
Cara Menghitung Regresi
Rumus dasar regresi linier: Y = a + bX
Keterangan:
Y = variabel dependen atau hasil yang ingin diprediksi.
X = variabel independen atau faktor yang digunakan untuk memprediksi Y.
a = konstanta, nilai Y ketika X bernilai 0.
b = koefisien regresi yang menunjukkan perubahan Y ketika X berubah.
Dengan metode OLS, b dan a dihitung dengan rumus manual:
b = Σ(X − X̄)(Y − Ȳ) / Σ(X − X̄)²
a = Ȳ − b × X̄
Contoh hitung sederhana:
Seorang analis ingin melihat hubungan antara jam belajar (X) dan nilai ujian (Y) dari 5 siswa. Rata-rata X̄ = 30 ÷ 5 = 6 dan rata-rata Ȳ = 405 ÷ 5 = 81.
Siswa | X | Y | X − X̄ | Y − Ȳ | (X − X̄)(Y − Ȳ) | (X − X̄)² |
|---|---|---|---|---|---|---|
1 | 2 | 65 | −4 | −16 | 64 | 16 |
2 | 4 | 75 | −2 | −6 | 12 | 4 |
3 | 6 | 80 | 0 | −1 | 0 | 0 |
4 | 8 | 90 | 2 | 9 | 18 | 4 |
5 | 10 | 95 | 4 | 14 | 56 | 16 |
Jumlah | 30 | 405 | 150 | 40 |
Langkah 1, hitung b: b = 150 / 40 = 3,75
Langkah 2, hitung a: a = 81 − 3,75 × 6 = 58,5
Langkah 3, susun persamaan: Y = 58,5 + 3,75X
Artinya, setiap tambahan 1 jam belajar, nilai ujian diperkirakan naik 3,75 poin, dan nilai dasar (tanpa belajar) diperkirakan 58,5.
Contoh prediksi: Untuk siswa yang belajar 7 jam, Y = 58,5 + 3,75 × 7 = 84,75.
Contoh Regresi dalam Keuangan
Umumnya, contoh analisis regresi dunia investasi adalah menghitung beta saham (ukuran seberapa sensitif pergerakan suatu saham terhadap pergerakan pasar secara keseluruhan).
Dalam persamaan ini, return saham menjadi variabel dependen (Y), dan return pasar menjadi variabel independen (X):
R_saham = α + β × R_pasar
Kalau memakai premi risiko (versi yang dipakai dalam CAPM), keduanya dikurangi tingkat bebas risiko: (R_saham − Rf) = α + β × (R_pasar − Rf). Beta (β) adalah kemiringan garis regresi, sedangkan alpha (α) adalah konstantanya.
Interpretasi nilai beta
Nilai beta | Arti |
|---|---|
β = 1 | Saham bergerak sebesar pergerakan pasar |
β > 1 | Saham lebih agresif, risikonya di atas rata-rata pasar |
β < 1 | Saham cenderung defensif, lebih stabil, dengan return yang lebih moderat |
Beta dalam model CAPM
Beta hasil regresi menjadi input utama Capital Asset Pricing Model (CAPM) untuk menghitung expected return:
E(Ri) = Rf + β × (Rm − Rf)
Keterangan:
E(Ri) = Return yang diharapkan
Rf = tingkat return bebas risiko
β = beta saham
Rm= return pasar. Jurnal Gemah Ripah
Contoh hipotetis:
Beta saham 1,5, risk free rate 4%, dan expected return pasar 15%.
E(R) = 4% + 1,5 × (15% − 4%) = 4% + 16,5% = 20,5%
Semakin tinggi beta, semakin besar premi risiko yang ditambahkan ke expected return. Angka 20,5% adalah hasil model dengan asumsi di atas, bukan perkiraan atau janji return saham mana pun.
Apa Hubungan Regresi dengan Saham dan Investasi?
Regresi bisa jadi dasar beberapa keputusan investasi lewat perhitungan beta untuk:
Mengukur risiko saham → Beta dari hasil regresi menunjukkan apakah saham lebih agresif (β > 1) atau lebih stabil (β < 1) dibanding pasar.
Memperkirakan return → Beta jadi input utama model CAPM untuk menghitung expected return dan valuasi saham.
Membantu diversifikasi → Dengan tahu beta beberapa saham, investor bisa menyeimbangkan portofolio antara aset berisiko tinggi dan rendah.
Sebagai catatan: Regresi berbasis data historis, oleh karena itu hasilnya tetap perlu dicek ulang saat kondisi pasar berubah.
Di luar saham individu, regresi juga dipakai untuk hal lain. Perusahaan asuransi, misal, menghitung dana klaim dari pola kasus-kasus sebelumnya, dan analis memakainya untuk memproyeksikan tren pendapatan atau biaya modal perusahaan.
Kesimpulan
Regresi mengacu pada metode statistik untuk mengukur dan memprediksi hubungan antarvariabel. Fungsi utamanya sebagai alat prediksi, pengujian pengaruh, dan dasar pengambilan keputusan.
Cara kerja regresi dengan mencari garis terbaik melalui metode least squares, dengan rumus dasar Y = a + bX yang bisa dihitung manual.
Di bidang keuangan, regresi berperan konkret yakni untuk menghitung beta saham sebagai dasar model CAPM untuk memperkirakan expected return. Memahami konsep tersebut akan membantu investor menilai risiko suatu saham secara lebih objektif, bukan sekadar mengikuti tren.
Memahami regresi dan beta dapat membantu investor menilai hubungan risiko dan pergerakan saham secara lebih objektif, bukan sekadar mengikuti tren, dan jika ingin mulai berinvestasi pada saham serta ETF AS, kamu bisa buka Gotrade.
Disclaimer: PT Valbury Asia Futures Pialang berjangka yang berizin dan diawasi OJK untuk produk derivatif keuangan dengan aset yang mendasari berupa Efek.
Investasi saham berisiko tinggi dan tidak sesuai untuk semua orang. Lakukan analisis pribadi sebelum memutuskan.











