Anda di halaman 1dari 7

KATA PENGANTAR

Sebelumnya kami mengucapkan puji dan syukur kehadirat Allah SWT yang telah
melimpahkan rahmat dan karunianya kepada kami , sehingga kami dapat menyelesaikan
tugas ini tepat pada waktunya.
Semoga tulisan ini dapat memenuhi kewajiban kami dalam memenuhi tugas mata
kuliah kompuer statistik.
Adapun harapan kami, semoga tulisan ini dapat bermanfaat bagi berbagai kalangan.
Kami menyadari bahwa makalah kami ini masih jauh dari sempurna, untuk itu kami
mengharapkan kritik dan saran yang membangun dari pembaca demi kesempurnaan makalah
ini.

1. DEFINISI REGRESI LINEAR SEDERHANA


Analisis regresi linear sederhana merupakan salah satu metode regresi yang dapat
dipakai sebagai alat inferensi statistik untuk menentukan pengaruh sebuah variabel bebas
(independen) terhadap variabel terikat (dependen).
Uji Regresi linear sederhana ataupun regresi linier berganda pada intinya memiliki beberapa
tujuan, yaitu:
1) Menghitung nilai estimasi rata-rata dan nilai variabel terikat berdasarkan pada nilai variabel
bebas.
2) Menguji hipotesis karakteristik dependensi
3) Meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai variabel bebas diluar
jangkaun sample.

2. OUTPUT REGRESI LINIER SEDERHANA


Contoh output Regresi Linier Sederhana dengan SPSS yaitu:
Pada analisis regresi sederhana dengan menggunakan SPSS ada beberapa asumsi dan
persyaratan yang perlu diperiksa dan diuji, beberapa diantaranya adalah :
1. Variabel bebas tidak berkorelasi dengan disturbance term (Error). Nilai disturbance
term sebesar 0 atau dengan simbol sebagai berikut: E (U / X) = 0,

2. Jika variabel bebas lebih dari satu, maka antara variabel bebas (explanatory) tidak ada
hubungan linier yang nyata,

3. Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar < 0.05,
Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini diketahui jika
angka Standard Error of Estimate < Standard Deviation,

4. Koefisien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi
signifikan jika T hitung > T table (nilai kritis),

5. Model regresi dapat diterangkan dengan menggunakan nilai koefisien determinasi (KD = R
Square x 100%) semakin besar nilai tersebut maka model semakin baik. Jika nilai mendekati
1 maka model regresi semakin baik,

6. Residual harus berdistribusi normal,

7. Data berskala interval atau rasio,

8. Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas (variabel
predictor) sedang variabel lainnya variabel terikat (variabel response).

Berikut ini contoh perhitungan regresi linier sederhana menggunakan software SPSS:
Proses mulai dengan memilih menu Analyze, kemudian pilih Linear,

Menu Regresi Linear SPSS

Pilih variabel Y sebagai variabel dependen (terikat) dan X1 sebagai variabel independen
(bebas) lalu klik tombol OK,

Proses Regresi Linear SPSS

Output SPSS akan menampilkan hasil berupa 4 buah tabel yaitu:


1) Tabel variabel penelitian
2) Ringkasan model (model summary)
3) Tabel Anova, dan
4) Tabel Koefisien.
Output Regresi Linear SPSS

Cara membaca output spss hasil uji regresi linier tersebut adalah :
a) Tabel pertama menunjukkan variabel apa saja yang diproses, mana yang menjadi variabel
bebas dan variabel terikat.
b) Tabel kedua menampilkan nilai R yang merupakan simbol dari nilai koefisien korelasi. Pada
contoh diatas nilai korelasi adalah 0,342. Nilai ini dapat diinterpretasikan bahwa hubungan
kedua variabel penelitian ada di kategori lemah. Melalui tabel ini juga diperoleh nilai R
Square atau koefisien determinasi (KD) yang menunjukkan seberapa bagus model regresi
yang dibentuk oleh interaksi variabel bebas dan variabel terikat. Nilai KD yang diperoleh
adalah 11,7% yang dapat ditafsirkan bahwa variabel bebas X1 memiliki pengaruh kontribusi
sebesar 11,7% terhadap variabel Y dan 88,3% lainnya dipengaruhi oleh faktor-faktor lain
diluar variabel X1.
c) Tabel ketiga digunakan untuk menentukan taraf signifikansi atau linieritas dari regresi.
Kriterianya dapat ditentukan berdasarkan uji F atau uji nilai Signifikansi (Sig.). Cara yang
paling mudah dengan uji Sig., dengan ketentuan, jika Nilai Sig. < 0,05, maka model regresi
adalah linier, dan berlaku sebaliknya. Berdasarkan tabel ketiga, diperoleh nilai Sig. = 0,140
yang berarti > kriteria signifikan (0,05), dengan demikian model persamaan regresi
berdasarkan data penelitian adalah tidak signifikan artinya, model regresi linier tidak
memenuhi kriteria linieritas.
d) Tabel keempat menginformasikan model persamaan regresi yang diperoleh dengan koefisien
konstanta dan koefisien variabel yang ada di kolom Unstandardized Coefficients B.
Berdasarkan tabel ini diperoleh model persamaan regresi : Y =38,256 + 0,229 X1.

3. KOEFISIEN DETERMINASI

Koefisien determinasi (coefficient of determination /R-squared) adalah ukuran


yang menunjukkan berapa banyak variasi dalam data (Data adalah item yang
mewakili fakta, teks, grafik, gambar, suara, segmen video analog atau digital. Data
adalah bahan baku dari sistem yang dipasok oleh penghasil data dan digunakan oleh
pengguna informasi untuk menciptakan informasi.) dapat dijelaskan oleh model
regresi (Model adalah sebuah representasi dari seperangkat komponen proses, sistem,
atau subyek, umumnya dikembangkan untuk pemahaman, analisis, perbaikan, dan/
atau perubahan proses. Sebuah representasi informasi, kegiatan, hubungan, dan
kendala. Model dapat dimanipulasi untuk menguji asumsi. Sebuah simulasi yang
menguji jumlah unit yang dapat diproses dalam setiap jam di bawah seperangkat
kondisi tertentu adalah contoh dari model. Berbeda dengan diagram, model tidak
perlu grafis. Sebuah model dapat berupa gambaran, diagram atau rumus
matematika.)yang dibangun.

Rumus Koefisien Determinasi


Digunakan untuk mengukur seberapa jauh kemampuan variabel bebas dalam
menjelaskan variabel terikat. Tujuan menghitung koefisien determinasi adalah untuk
mengetahui pengaruh variabel bebas terhadap variabel terikat. Besarnya koefisien
determinasi dapat diperoleh melalui rumus berikut:

Keterangan:
R2 = Koefisien determinasi
Y = Variabel terikat
X = Variabel bebas
Y2 = Rata-rata hitung dari nilai Y
n = Jumlah data
Analisis koefisien determinasi (R2) di gunakan untuk mengetahui seberapa besar
presentase sumbangan pengaruh variabel independen secara serentak terhadap variabel
dependen. Maksudnya secara serentak itu misalkan ada beberapa variabel independen (X1,
X2 dan seterusnya) mempengaruhi variabel dependen (Y). Koefisien determinasi dapat
dilihat pada tabel Model Summary (hasil output olah data) R2 (Adjusted R Square).
Nilai R2 adalah sumbangan pengaruh variabel independen terhadap variabel dependen
sedangkan dan biasa sisanya dipengaruhi oleh faktor lain yang tidak di teliti.
Contoh:
Penelitian pengaruh antara Variabel X1 dan X2 terhadap Variabel Y dengan sampel sebanyak
49 orang. Dari hasil olah data diperoleh gambar seperti ini:

Penjelasan:
Dari hasil output model summary di dapat nilai R2 (Adjusted R Square) adalah 0.889, jadi
sumbangan pengaruh variabel independen (X1, dan X2) sebesar 88.9% terhadap variabel
dependen (Y) sedangkan sisanya sebesar 11.1% dipengaruhi oleh faktor lain yang tidak di
teliti.
4. PERSAMAAN MATEMATIS REGRESI
Persamaan Regresi Linier dari Y terhadap X
Persamaan regresi linier dari Y terhadap X dirumuskan sebagai berikut:
Y=a+bX

Keterangan:

Y = variabel terikat

X = variabel bebas

a = intersep

b = koefisien regresi/slop
Pada persamaan tersebut di atas, nilai a dan b dapat ditentukan dengan cara sebagai berikut:

rumus regresi sederhana

Contoh latihan soal regresi sederhana

Berikut ini adalah data pengalaman kerja dan omzet penjualan dari 8 marketing pada PT
Bang Toyib Gak Pulang-pulang

contoh latihan soal regresi sederhana

Pertanyaan: 1. Tentukan nilai a dan b ! 2. Buatkan persamaan garis regresinya ! 3. Berapa


perkiraan omzet penjualan dari seorang marketing yang memiliki pengalaman kerjanya 3,5
tahun?

Penyelesaian:

tabel penolong regresiregresi linier sederhana

Dijawab:

1. nilai a = 3,25 dan b = 1,25


2. Persamaan regresi liniernya adalah
Y = a + bX

= 3,25 + 1,25X

1. Nilai duga Y , jika X = 3,5


Y = a + bX

= 3,25 + 1,25X

= 3,25 + 1,25 (3,5)

= 7,625