BAB III

MODEL REGRESI DENGAN DUA VARIABEL

Bentuk Model

Model regresi dengan dua variabel umumnya dituliskan dengan simbol berbeda
berdasarkan sumber data yang digunakan, meskipun tetap dituliskan dalam
persamaan fungsi regresi. Fungsi regresi yang menggunakan data populasi (FRP)
umumnya menuliskan simbol konstanta dan koefisien regresi dalam huruf besar,
sebagai berikut:

Y = A + BX + .. (pers.3.1)

Fungsi regresi yang menggunakan data sampel (FRS) umumnya menuliskan

simbol konstanta dan koefien regresi dengan huruf kecil, seperti contoh sebagai
berikut:

Y = a + bX + e .. (pers.3.2)

Dimana:
A atau a :merupakan konstanta atau intercept
B atau b :merupakan koefisien regresi, yang juga
menggambarkan tingkat elastisitas variabel independen
Y :merupakan variabel dependen
X :merupakan variabel independen

Notasi a dan b merupakan perkiraan dari A dan B. Huruf a, b, disebut

sebagai estimator atau statistik, sedangkan nilainya disebut sebagai estimate atau
nilai perkiraan. Meskipun penulisan simbol konstanta dan koefisien regresinya
berbeda, namun penghitungannya menggunakan metode yang sama, yaitu dapat
dilakukan dengan metode kuadrat terkecil biasa (ordinary least square), atau
dengan metode Maximum Likelihood.

Metode Kuadrat Terkecil Biasa (Ordinary Least Square) (OLS)

Penghitungan konstanta (a) dan koefisien regresi (b) dalam suatu fungsi regresi
linier sederhana dengan metode OLS dapat dilakukan dengan rumus-rumus
sebagai berikut:
Rumus pertama (I)
Mencari nilai b :

Mencari nilai a :

Rumus kedua (II)

Mencari nilai b :

Mencari nilai a :

Misalnya saja kita ingin meneliti pengaruh bunga deposito jangka waktu 1 bulan
(sebagai variabel X = Budep) terhadap terjadinya inflasi di Indonesia (sebagai
variabel Y=Inflasi) pada kurun waktu Januari 2001 hingga Oktober 2002, yang
datanya tertera sebagai berikut:

Observasi Y X1
Jan 01 8.28 13.06
Peb 01 9.14 13.81
Mar 01 10.62 13.97
Apr 01 10.51 13.79
Mei 01 10.82 14.03
Jun 01 12.11 14.14
Jul 01 13.04 14.39
Agu 01 12.23 14.97
Sep 01 13.01 15.67
Okt 01 12.47 15.91
Nop 01 12.91 16.02
Des 01 12.55 16.21
Jan 02 14.42 16.19
Peb 02 15.13 15.88
Mar 02 14.08 15.76
Apr 02 13.3 15.55
Mei 02 12.93 15.16
Jun 02 11.48 14.85
Jul 02 10.05 14.22
Agu 02 10.6 13.93
Sep 02 10.48 13.58
Okt 02 10.33 13.13
Jumlah 260.49 324.22

Hasil pengembangan data dapat dilihat pada tabel berikut:

Setelah mendapatkan hitungan-hitungan hasil pengembangan data, maka angka-

angka tersebut dapat secara langsung dimasukkan ke dalam rumus I, sebagai
berikut:
Mencari nilai b:
Dengan diketahuinya nilai b, maka nilai a juga dapat ditentukan, karena rumus
pencarian a terkait dengan nilai b.
Mencari nilai a :

Nilai a dan b dapat dicari dengan menggunakan rumus kedua. Agar dapat secara
langsung menggunakan rumus II, perlu menghitung dulu komponen-komponen
rumus. Langkah yang dapat dilakukan dicontohkan sebagai berikut :
Mencari nilai b, menggunakan rumus kedua :

Dari rumus di atas, kita perlu menemukan dulu nilai dari yang
dapat dilakukan dengan rumus-rumus sebagai berikut :
Dengan diketahuinya, nilai-nilai tersebut, maka nilai b dapat ditentukan, yaitu :

Dengan diketahuinya nilai b, maka nilai a juga dapat dicari dengan rumus sebagai
berikut :

Hasil pencarian nilai a dan b dengan menggunakan rumus I dan II didapati

angka yang cenderung sama. Pada penghitungan rumus I nilai a = 9,5241 dan
b = 1,4497. Sedangkan hasil penghitungan dengan rumus II, nilai a = -9,5256 dan
b = 1,4498. Tampak bahwa hingga dua angka di belakang koma tidak terdapat
perbedaan, sedangkan tiga angka di belakang koma mulai ada perbedaan.
Perbedaan ini sifatnya tidak tidak substansial, karena munculnya perbedaan itu
sendiri akibat dari pembulatan. Dengan demikian dapat disimpulkan bahwa,
mencari a dan b dengan rumus I ataupun rumus II akan menghasilkan nilai yang
sama.

Output
Model Summary

Model R R Square Adjusted R Std. Error of

Square the Estimate
1 .857a .734 .721 .9236

ANNOVA

Model Sum of Df Mean F Sig.

Squares Square
1 Regression 47.101 1 47.101 55.220 .000
Residual 17.059 20
Total 64.160 21

Coefficients

Model Unstandardized Coefficients Standartized t Sig.

Coefficients
B Std. Error Beta
1(Constant -9.527 2882 .857 -3.305 .004
) 1.450 .195 7431 .000
X1

Meskipun nilai a dan b dapat dicari dengan menggunakan rumus tersebut, namun
nilai a dan b baru dapat dikatakan valid (tidak bias) apabila telah memenuhi
beberapa asumsi, yang terkenal dengan sebutan asumsi klasik. Asumsi-asumsi
yang harus dipenuhi dalan OLS ada 3 asumsi, yaitu :
Asumsi 1,2,3, dia atas diringkas sebagai berikut :

Prinsip-prinsip Metode OLS

Dalam metode OLS terdapat prinsip-prinsip antara lain :

1. Analisis dilakukan dengan regresi, yaitu analisis untuk menentukan

hubungan pengaruh antara variabel bebas terhadap variabel terikat.
Regresi sendiri akan menghitung nilai a, b, dan e (error), oleh karena itu
dilakukan dengan cara matematis.
2. Hasil regresi akan menghasilkan garis regresi. Garis regresi ini merupakan
representasi dari bentuk arah data yang diteliti. Garis regresi disimbolkan
dengan Y (baca: Y topi, atau Y cap), yang berfungsi sebagai Y perkiraan.
Sedangkan data disimbolkan dengan Y saja.
Data yang tidak berada tepat pada garis regresi akan memunculkan nilai residual
yang biasa disimbulkan dengan ei, atau sering puladisebut dengan istilah
kesalahan pengganggu. Untuk data yang tepat berada pada garis maka nilai Y
sama dengan Y . Nilai a dalam garis regresi digunakan untuk menentukan letak
titik potong garis pada sumbu Y.
Jika nilai a > 0 maka letak titik potong garis regresi pada sumbu Y akan berada di
atas origin (0), apabila nilai a < 0 maka titik potongnya akan berada di bawah
origin (0). Nilai b atau disebut koefisien regresi berfungsi untuk menentukan
tingkat kemiringan garis regresi.Semakin rendah nilai b, maka derajat kemiringan
garis regresi terhadap sumbu X semakin rendah pula. Sebaliknya, semakin tinggi
nilai b, maka derajat kemiringan garis regresi terhadap sumbu X semakin tinggi.
Gambaran uraian di atas dapat dilihat pada gambar berikut :
Munculnya garis seperti dalam gambar di atas, didapatkan dari
memasukkan angka Xi ke dalam persamaan Yi = a + bXi +e. Dengan

menggunakan hasil hitungan pada data di atas, maka garis besarnya

adalah:

Karena nilai a dalam garis regresi bertanda negatif (-) dengan angka 9,525, maka
garis regresi akan memotong sumbu Y dibawah origin (0) pada angka 9,525.
Nilai parameter b variabel X yang besarnya 1,449 menunjukkan arti bahwa
variabel X tersebut tergolong elastis, karena nilai b > 1. Artinya, setiap perubahan
nilai X akan diikuti perubahan yang lebih besar pada nilai Y. Tanda positif pada
parameter b tersebut menunjukkan bahwa jika variabel X
meningkat maka Y juga akan meningkat. Sebaliknya, jika X mengalami
perubahan yang menurun, maka Y juga akan menurun, dengan perbandingan
perubahan 1:1,449.

INGAT ELASTISITAS
Jenis Elastisitas Koefisien Elastisitas Sifat Elastisitas
Elastik E>1 Perubahan yang terjadi
pada variabel bebas
diikuti dengan perubahan
yang lebih besar pada
variabel terikat
Elastik unitary E=1 Perubahan yang terjadi
pada variabel
bebas diikuti dengan
perubahan yang
sama besar pada variabel
terikat
Inelastik E<1 Perubahan yang terjadi
 pada variabel
bebas diikuti dengan
perubahan yang
lebih kecil pada variabel
terikat

Menguji signifikansi parameter penduga

Fungsi regresi OLS variabelnya terbagi menjadi dua yaitu :
1. Variabel dependent (Y)
Yaitu variabel terikat, yang dipengaruhi, terletak di sebelah kiri.
2. Variabel Independent (X)
Yaitu variabel bebas, yang mempengaruhi, teletak di sebelah kanan.

Pembandingan antara uji t dan uji F :

Hal Yang Uji t Uji F
Dibandingkan
Penemu R.A.Fisher Neyman, Pearson
Signifikan thitung > ttabel Fhitung > Ftabel
Tidak Signifikan thitung < ttabel Fhitung < Ftabel
Pengujian Individual Serentak
Banyaknya variabel Satu Lebih dari satu

Uji t
Untuk mengetahui formula dari standar error dari b, yang ternyata
telah dirumuskan sebagai berikut:

Atau dapat ditulis pula dengan rumus sebagai berikut :

Diamana :
Yt dan Xt adalah data variabel dependen dan independen pada periode t
Yt adalah nilai variabel dependen pada periode t yang didapat dari
perkiraan garis regresi X merupakan nilai tengah (mean) dari variabel
Independen e atau Y t -Yt merupakan error term n adalah jumlah data
observasi k adalah jumlah perkiraan koefisien regresi yang meliputi a dan
b (n-k) disebut juga dengan degrees of freedom (df).
Tabel pengembangan data untuk menghitung Standar Deviasi

Dengan adanya pengembangan data menjadi seperti tertera pada tabel di atas,
maka Sb dapat segera dicari, dimana hasilnya ditemukan sebesar :

Atau dapat dicari menggunakan rumus :

Sb Se2 ei2

Sehingga nilai ei2 dapat diketahui :

ei2 = 64.16 2.1019 (22.41)
= 64.16 47.1040
=17.056
Hitungan di atas memastikan bahwa nilai ei2 adalah sebesar 17.056. Dengan
diketemukannya nilai ei2 ini maka nilai se2 pun dapat diketahui melalui hitungan
sebagai berikut :

karena nilai se2 merupakan salah satu komponen untuk

mencari nilai Sb, maka dengan ditemukannya nilai se2
sebesar 0,8528 tentu saja nilai Sb pun dapat diketahui,
yaitu :

Hitungan dengan rumus ini ternyata menghasilkan nilai Sb yang sama besar
dengan hitungan menggunakan rumus yang pertama, yaitu nilai Sb sebesar 0,195.
Dengan diketahuinya nilai Sb, maka nilai statistik t (baca: t hitung) dapat
ditentukan, karena rumus mencari t hitung adalah:

Nilai t dengan cara yang dilakukan di atas menunjukkan bahwa nilai statistik t
sebesar 7,4348. Dengan contoh di atas, seandainya kita menggunakan derajat
kesalahan yang ditolerir adalah 5% (baca : ), dan karenajumlah observasi
sebanyak 22(n= 22), maka degree of freedom (df) sama dengan besarnya n-k = 20,
karena jumlah k adalah 2, yaitu parameter a dan 1 parameter b, maka t tabelnya
sebesar 1.725.
Nilai t tabel yang besarnya 2,086, sudah tentu angka tersebut lebih kecil dibanding
dengan nilai t hitung yang besarnya 7,4348. Atas dasar itu maka dapat dipastikan
bahwa variabel X (budep) sig ifikan mempengaruhi Y (Inflasi).

Uji nilai t
Gambar di atas menunjukkan pengujian nilai t dua arah atau two sided data two
tail test. Kutub sebelah kiri bertanda negatif. Nilai t hitung berada negatif yang
nilainya lebih kecil dari nilai -2.806 berada pada daerahditolak. Kutub sebelah
kanan yang bertanda positif berguna sebagai pembatas nilai t hitung yang lebih
kecil dari 1,725 berarti berada di daerah tolak. Tanda t atau memberikan
arti bahwa masing-masing kutub mempunyai daerah distribusi tolak sebesar 2,5%
Jumlah dari keduanya mencerminkan
Jika pengujian nilai t menggunakan pengujian satu arah atau one tail test,
maka daerah tolak hanya ada pada salah satu kutub saja. Bilai nilai t hitungnya
negatif, maka daerah tolak berada pada sebelah kiri kurva, sedang bila nilai t
hitungnya positif, maka daerah tolak berada pada sisi sebelah kanan. Probabilitas
daerah tolak tidak lagi terbagi menjadi dua dengan porsi masing-masing 2,5%,
tetapi telah penuh sebesar 5%.

Interpretasi Hasil Regresi

Interpretasi dalam hal ini adalah mengetahui informasi-informasi yang
terkandung dalam hasil regresi melalui pengertian dari angka-angka
parameternya.
Hasil analisis regresi atas pengaruh variabel suku bunga (Budep) (X) terhadap
tingkat inflasi di Indonesia selama 22 bulan mulai dari Januari 2001 hingga
oktober 2002 (Inflasi) (Y) dapat ditulis dalam persamaan sebagai berikut :

Inflasi = -9,5256 + 1,4498 Budep + e

thit = (7,4348)
Persamaan di atas menginformasikan bahwa variabel Budep signifikan
mempengaruhi variabel inflasi. Terbukti dari nilai thit variabel Budep sebesar
7,4348 lebih besar dibanding nilai ttabel, pada % dengan d.f. sebanyak 20,
yang besarnya 1,725. Nilai b Budep meningkat 1%, maka inflasi akan mengalami
peningkatan sebesar 1,4498%. Nilai b juga mencerminkan tingkat elastisitas
variabel X. Karena nilai b (1,4498) lebih besar dari angka 1 (satu), maka dapat
dipastikan bahwa variabel Budep sangat elastis. Artinya bahwa besarnya tingkat
perubahan yang terjadi pada Budep akan mengakibatkan tingkat perubahan yang
lebih besar pada variabel Y.

Koefisien Determinasi (R2)

 Koefisien determinasi (R2) pada intinya mengukur seberapa jauh
kemampuan model dalam menerangka variasi variabel terikat. Besarnya nilai
koefisien determinasi adalah diantara nol dan satu (0<R 2<1). Nilai R2 yang
mendekati 0 (nol) menunjukkan kemampuan variabel-variabel independen dalam
menjelaskan variasi variabel dependen amat terbatas. Nilai yang medekati angka
satu (1) menunjukkan variabel-variabel independen memuat hampir semua
informasi yang dibutuhkan untuk mmemprediksi variasi variabel dependen.
Dengan kalimat lain dapat dijelaskan bahwa koefisien determinasi (R 2) adalah
angka yang menunjukkan proporsi variabel dependen yang dijelaskan oleh variasi
variabel independen. Juga, dapat digunakan sebagai ukuran ketepatan dalam
menentukan prediktor. Artinya, R2 menunjukkan seberapa besar sumbangan X
terhadap Y. Untuk menentukan koefisien determinasi (R2) pada regresi linier
sederhana, dapat dihitung dengan rumus sebagai berikut:

Rumus ini jika digunakan untuk menghitung data yang telah tersedia di atas, maka
akan menghasilkan nilai sebagai berikut :

Angka koefisien determinasi (R2) yang besarnya 0,857 ini bila ditulis
dalam bentuk prosentase sama dengan 85,7%. Angka tersebut menjelaskan bahwa
determinasi atau sumbangan variabel Bunga deposito (budep) terhadap inflasi
adalah sebesar 87,5%. Artinya, sumbangan faktor-faktor lain (selain Budep)
terhadap Inflasi hanya sebesar 14,3%. Dengan demikian dapat disimpulkan bahwa
Budep merupakan prediktor yang baik untuk menaksir Inflasi.
 Maksud dari uraian bab ini :
Analisis regresi pada dasarnya adalah menjelaskan berapa besar pengaruh
tingkat signifikansi variabel independen dalam mempengaruhi variabel dependen.
Meskipun hasil regresi seperti tertera pada persamaan di atas telah dapat
diinterpretasi, dan dapat menunjukkan inti tujuan analisis regresi, namun bukan
berarti bahwa tahapan analisis telah selesai hingga di sini. Hasil regresi di atas
masih perlu dipastikan apakah besarnya nilai thit ataupun angka-angka parameter
telah valid ataukah masih bias.
Jika nilai-nilai tersebut sudah dapat dipastikan valid atau tidak bias, memang
analisis regresi dapat berhenti di sini saja. Validitas (ketidakbiasan) informasi dari
nilai-nilai hasil regresi dapat diketahui dari terpenuhinya asumsi-asumsi klasik,
yaitu jika data variabel telah terbebas dari masalah Autokorelasi, tidak ada
indikasi adanya heteroskedastisitas, maupun tidak terjadi multikolinearitas atau
saling berkolinear antar variabel. Bahasan Asumsi Klasik akan dibahas tersendiri.

1. Jawablah pertanyaan-pertanyaan di bawah ini :

a. Apa yang dimaksud dengan regresi linear sederhana!
Regresi Linear Sederhana adalah Metode Statistik yang berfungsi
untuk menguji sejauh mana hubungan sebab akibat antara Variabel
Faktor Penyebab (X) terhadap Variabel Akibatnya. Regresi Linear
Sederhana atau sering disingkat dengan SLR (Simple Linear
Regression) juga merupakan salah satu Metode Statistik yang
dipergunakan dalam produksi untuk melakukan peramalan ataupun
prediksi tentang karakteristik kualitas maupun Kuantitas.
b. Model regresi linear sederhana!
Y = a + bX

c. Arti dari notasi atas model yang telah ditulis!

Huruf Y :variabel dependen (variabel terikat)
Huruf X :variabel independen (variabel bebas)
Huruf b0 :konstanta atau intercept yang merupakan sifat
bawaan dari variabel Y, jika konstanta bertanda
positif maka titik potongnya di sebelah atas titik
origin(0), sedang bila bertanda negatif titik
potongnya di sebelah bawah titik origin.
Huruf b1, b2, bn :Slope atau kemiringan regresi, menunjukkan beta

atau koefisien korelasi yang sekaligus menunjukkan

tingkat elastisitas dari variabel X.
(+) menunjukkan hubungan yang searah antara
variabel X dan Y.
 (-) arah hubungan X terhadap Y berlawanan, jika X
meningkat maka Y menurun, sebaliknya jika X
menurun maka nilai statistik t meningkat.
Nilai b juga menunjukkan jenis elastisitas
Elastis (b>1)
Uniter elastis (b=1)
Inelastis (b<1)
e :error term
d. Informasi yang dapat diungkap pada konstanta!
Konstanta ini mempunyai angka yang bersifat tetap yang sekaligus
menunjukkan titik potong garis regresi pada sumbu Y. Jika konstanta
itu bertanda positif maka titik potongnya di sebelah atas titik origin (0),
sedang bila bertanda negatif titik potongnya di sebelah bawah titik
origin. Nilai konstanta ini merupakan nilai dari variabel Y ketika
variabel X bernilai nol. Atau dengan bahasa yang mudah, nilai
konstanta merupakan sifat bawaan dari Y.
e. Informasi yang dapat diungkap pada koefisien regresi!
Huruf b1, b2, bn merupakan parameter yang menunjukkan slope atau
kemiringan garis regresi. Parameter ini sering juga dituliskan dengan
bentuk b, atau 1, 2, n. Beta atau koefisien korelasi yang sekaligus
menunjukkan tingkat elastisitas dari variabel X tersebut. Nilai beta ini
memungkinkan untuk bernilai positif maupun negatif. Tanda positif
menunjukkan hubungan yang searah antara variabel X dengan variabel
Y. Artinya jika X mengalami peningkatan maka Y juga mengalami
peningkatan. Sebaliknya jika X mengalami penurunan maka Y pun
akan menurun. Arah hubungan seperti itu tidak terjadi pada beta yang
berangka negatif. Karena jika tandanya negatif arah hubungan X
terhadap Y saling berlawanan. Jika X meningkat maka Y menurun,
sebaliknya jika X menurun maka nilai statistik t meningkat. Demikian
pula, karena nilai koefisien korelasi ini juga menunjukkan tingkat
elastisitas, maka dari besarnya nilai koefisien korelasi (b) tersebut
dapat ditentukan jenis elastisitasnya. Jika nilai b besarnya lebih dari
satu (b>1) maka disebut elastis. Artinya, jika variabel X mengalami
perubahan, maka variabel Y akan mengalami perubahan yang lebih
besar dari perubahan yang ada pada variabel X tersebut. Jika nilai b
besarnya sama dengan angka satu (b=1) disebut uniter elastis. Artinya,
jika variabel X mengalami perubahan, maka variabel Y akan
mengalami perubahan yang sama besar dengan perubahan yang ada
pada variabel X tersebut. Jika nilai b besarnya lebih kecil dari angka
satu (b<1) disebut inelastis. Artinya, jika variabel X mengalami
perubahan, maka variabel Y akan
mengalami perubahan yang lebih kecil dari perubahan yang ada pada
variabel X tersebut.
f. Kegunaan standar error Sb!
g. Kegunaan nilai t!
Untuk menguji signifikansi satu variabel saja (individual).

h. Menentukan nilai t yang signifikan!

Apabila nilai statistik t lebih besar dibandingkan nilai t tabel, maka
variabel X dinyatakan signifikan mempengaruhi nilai Y.
i. Koefisien determinasi!
Koefisien determinasi (R2) pada intinya mengukur seberapa jauh
kemampuan model dalam menerangka variasi variabel terikat.
Besarnya nilai koefisien determinasi adalah diantara nol dan satu
(0<R2<1). Nilai R2 yang mendekati 0 (nol) menunjukkan kemampuan
variabel-variabel independen dalam menjelaskan variasi variabel
dependen amat terbatas. Nilai yang medekati angka satu (1)
menunjukkan variabel-variabel independen memuat hampir semua
informasi yang dibutuhkan untuk mmemprediksi variasi variabel
dependen.
Dengan kalimat lain dapat dijelaskan bahwa koefisien determinasi
(R2) adalah angka yang menunjukkan proporsi variabel dependen yang
dijelaskan oleh variasi variabel independen. Juga, dapat digunakan
sebagai ukuran ketepatan dalam menentukan prediktor. Artinya, R 2
menunjukkan seberapa besar sumbangan X terhadap Y.