Anda di halaman 1dari 9

ANALISIS REGRESI SEDERHANA

(Pengolahan data dengan Ms. Excel dan SPSS 16)

Analisis regresi linier sederhana adalah hubungan secara linear antara


satu variabel independen (X) dengan variabel dependen (Y).
Dalam analisis regresi dikenal dua macam variabel atau peubah yaitu
variabel bebas X
(independent variabel) adalah dan variabel tidak bebas Y (dependent
variabel).
Variabel bebas (independent variabel) adalah suatau variabel yang nilainya
telah diketahui.
Sedangkan variabel tidak bebas (dependent variabel) adalah variabel yang
nilainya belum diketahui dan yang akan diramalkan.

Analisis ini untuk mengetahui arah hubungan antara variabel independen


dengan variabel dependen apakah positif atau negatif dan untuk memprediksi
nilai dari variabel dependen apabila nilai variabel independen mengalami
kenaikan atau penurunan.. Data yang digunakan biasanya berskala interval atau
rasio.
Rumus regresi linear sederhana sebagi berikut:

Y = a + bX
Keterangan:
Y = Variabel dependen (nilai yang diprediksikan)
X = Variabel independen
a = Konstanta (nilai Y apabila X = 0)
b = Koefisien regresi (nilai peningkatan ataupun penurunan)
Analisis regresi memiliki 3 kegunaan yaitu, deskripsi, kendali, dan prediksi
(peramalan). Tetapi manfaat utama dari kebanyakan penyelidikan statistik
dalam dunia bisnis dan ekonomi adalah mengadakan prediksi atau
peramalan.
Contoh kasus:
Misalkan kita ingin melihat pengaruh nilai matematika mahasiswa terhadap
nilai statistikanya.
Matematika (X) 70 50 93 65 60 75 68 40 65 80
Statistika (Y) 81 55 86 72 55 82 80 35 65 70
*) sumber : Surjadi, P.A., Pendahuluan Teori Kemungkinan dan Statistika: 191.

Menyelesaikan kasus dengan Ms. Excel


Langkah untuk menganalisis data tersebut yaitu:
1. Masukkan data-data tersebut ke dalam kolom worksheet excel seperti
di bawah ini.

2. Pilih tools>data analysis, pilih regression lalu pilih OK.

3. Sorot data variabel Y untuk dimasukkan ke dalam kotak entri Input Y


Range sedangkan untuk kotak entri Input X Range kita menyorot
data variabel X. Beri tanda centang pada Labels, residual dan Normal
Probabilitas Plots untuk melihat plot normal. Pada output options
ketikan output sebagai worksheet hasil analisis. Untuk lebih jelasnya
perhatikan gambar berikut.

4. Pilih OK maka hasilnya adalah sebagai berikut.

Statistika Residual Plot


20
Residuals

10
0
-10

30

40

50

60

70

80

90

Statistika

Normal Probability Plot


100
Matematika

50
0
0

20

40

60

80

Sample Percentile

Plot probabilitas

100

Output analisis regresi


Menyelesaikan kasus dengan SPSS 16
Langkah-langkah analisisnya yaitu:
1. Masukkan data pada data view SPSS 16 seperti gambar berikut.

2. Pilih analyze> regression> linear... sehingga muncul kotak dialog


berikut.

3. Masukkan statistika(Y) ke dalam kotak entri dependent dan


matematika (X) ke dalam kotak entri independent(s). Kemudian pilih
tombol statistics... kemudian beri tanda centang pada estimates,
confidence intervalas, model fit, descriptives dan part and
partial correlations seperti gambar berikut.

4. Pilih continue Lalu OK sehingga hasilnya dapat dilihat sebagai berikut.

Regression
[DataSet0]

Descriptive Statistics
Mean

Std. Deviation

statistika

68.1000

15.94748

10

matematika

66.6000

14.87877

10

Correlations
statistika
Pearson Correlation

statistika

1.000

.870

.870

1.000

.001

.001

statistika

10

10

matematika

10

10

matematika
Sig. (1-tailed)

statistika
matematika

matematika

Variables Entered/Removedb

Model
1

Variables

Variables

Entered

Removed

matematikaa

Method
. Enter

a. All requested variables entered.


b. Dependent Variable: statistika

Model Summary

Model

R
.870a

R Square

Adjusted R

Std. Error of the

Square

Estimate

.757

.727

8.33282

a. Predictors: (Constant), matematika

ANOVAb
Model
1

Sum of Squares
Regression
Residual
Total

Mean Square

1733.412

1733.412

555.488

69.436

2288.900

a. Predictors: (Constant), matematika


b. Dependent Variable: statistika

df

F
24.964

Sig.
.001a

Coefficientsa
Unstandardize Standardized
d Coefficients

95% Confidence Interval

Coefficients

for B

Std.
Model
1

Error

Correlations

Lower
Beta

Sig.

Bound

ZeroUpper Bound

order

Partial

Part

(Co
nst
ant

5.979 12.709

.470 .651

-23.328

35.287

4.996 .001

.502

1.363

)
ma
te
ma

.933

.187

.870

.870

.870

.870

tika
a. Dependent Variable:
statistika

Uji korelasi:
- Hipotesis kasus (uji 2 pihak):
H0: = 0 (tidak ada hubungan saling mempengaruhi antara nilai matematika
dengan nilai statistika)
H1: 0 (ada hubungan saling mempengaruhi antara nilai matematika
dengan nilai statistika)
- Kriteria uji
Tolak hipotesis nol jika r > rtabel pada taraf atau dengan melihat nilai P
dengan kriteria tolak H0 pada
saat nilai P < (untuk contoh ini menggunakan = 5%).
- Kesimpulan
Nilai P (0,001) < /2 (0,025) sehingga kita menolak hipotesis nol dan
berkesimpulan bahwa ada
hubungan antara nilai matematika dengan nilai statistika.
Selanjutnya yaitu kita mendapatkan persamaan regresi dari output yang
dihasilkan untuk memprediksi
variabel Y yaitu:
= 5,979 + 0,933 X
Dapat pula ditulis:
Nilai statistika = 5,979 + 0,933 nilai matematika
Arti koefisien b0 yaitu apabila nilai matematika sama dengan nol maka nilai
statistika sama dengan

5,979. Sedangkan arti koefisien b1 yaitu apabila nilai matematika naik


sebanyak satu satuan (nilai
matematika = 1), maka nilai statistika akan bertambah sebanyak 0,933
satuan.
Memprediksi/manaksir nilai statistika (Y)
Apabila kita mengetahui nilai matematika seorang mahasiswa yaitu 55,
maka berapakah nilai
statistikanya apabila kita menggunakan persamaan di atas?
Maka jawabannya adalah dengan menghitung manual dengan rumus =
5,979 + 0,933 X dengan hasil
sebagai berikut:
Nilai statistika = 5,979 + 0,933 x nilai matematika
= 5,979 + 0,933(55)
= 57,294
Uji koefisien b1
- Hipotesis kasus
H0: b1 = 0 (koefisien b1 tidak signifikan)
H1: b 0 (koefisien b1 signifikan)
- Kriteria uji
Tolak H0 jika thitung > ttabel pada taraf , atau tolak H0 jika nilai P < .
- Kesimpulan
Nilai P (0,001) < /2 (0,025) sehingga kita menolak hipotesis nol dan
berkesimpulan bahwa
koefisien b1 adalah signifikan. Ini menunjukkan bahwa nilai matematika
berpengaruh secara
signifikan terhadap nilai statistika mahasiswa.
Adapun tingkat keeratannya yaitu dengan melihat nilai R-Square yakni
sebanyak 75,5% nilai
matematika mampu menerangkan nilai statistika.