MAKALAH STATISTIKA

REGRESI

OLEH

Erfan Rohmad Eko D

21090114130156

Teknik Perkapalan

Universitas Diponegoro
 BAB 1

PENDAHULUAN
1.1 Latar Belakang

Statistika adalah ilmu yang mempelajari bagaimana merencanakan,

mengumpulkan, menganalisis dan mempresentasikan data. Singkatnya, statistika
adalah ilmu yang berkenan dengan data. Statistika dibagi menjadi dua, yaitu Statistika
Deskriptif dan Statistika Inferensial. Statistika deskriptif berkenaan dengan deskripsi
data, misalnya dari menghitung rata-rata dan varians dari data mentah;
mendeksripsikan menggunakan tabel-tabel atau grafik sehingga data mentah lebih
mudah dibaca dan lebih bermakna. Sedangkan statistika inferensial lebih dari itu,
misalnya melakukan pengujian hipotesis, melakukan prediksi observasi masa depan,
atau membuat model regresi. Untuk saat ini, kami akan membahas tentang ilmu
Statistika Deskriptif.

Statistika dalam arti sempit berarti kumpulan data berupa angka, penyajian data
dalam table dan grafik, bilangan yang menunjukan karakteristik dari kumpulan data.
Statistika dalam arti luas yaitu metode yang digunakan dalam pengumpulan dan
analisis data yang berupa angka-angka sehingga dapat diperoleh informasi yang
berguna. Statistika adalah suatu metode yang menjelaskan tata cara pengumpulan,
penyusunan, penyajian, penganalisaan, dan penginterprestasian data menjadi informasi
yang lebih berguna.

Regresi merupakan salah satu analisis yang bertujuan untuk mengetahui

pengaruh suatu variabel terhadap variabel lain .Dalam analisis regresi ,variabel yang
mempengaruhi disebut independent variabel (variable bebas) dan variabel yang
dipengaruhi disebut dependent variabel (variabel terikat).
1.2 Rumusan Masalah

Berdasarkan latar belakang di atas, dapat dirumuskan sebuah permasalahan

sebagai berikut :

1. Apa pengertian Regresi dan Korelasi?

2. Rumus - rumus yang digunakan pada pengaplikasian Regresi
3. Contoh soal Regresi

1.3 Tujuan Penulisan

Berikut ini adalah beberapa tujuan penulisan makalah :

1. Untuk mengetahui pengertian dan perhitungan Regresi.

2. Untuk memenuhi tugas akademik mata kuliah Statistika dan Probabilitas.

1.4 Metode Penulisan

Dalam penulisan makalah ini saya menggunakan studi kepustakaan yaitu proses
pencarian dan pengumpulan data dari buku - buku dan situs - situs yang berhubungan
dengan judul makalah yang saya buat.
 BAB 2

PEMBAHASAN

2.1 Analisis Regresi

Istilah regresi diperkenalkan oleh seorang yang bernama Francis Gulton dalam
makalah berjudul Regression Towerd Mediacraty in Hereditary Stature. Menurut hasil
penelitian beliau, meskipun ada kecendrungan bagi para orang tua yang tinggi
mempunyai anak yang tinggi dan orang tuanya pendek mempunyai anak pendek,
dengan kata lain bahwa ada kecendrungan bagi rata rata tinggi anak dengan orang
tua yang mempunyai tinggi tertentu untuk bergerak mundur (Regress) kearah tinggi rata
rata seluruh. Penemuan ini ditulis dalam artikel berjudul : Family Likeness in Stature
( Proceedings of Royal Society, London, Vol. 40, 1886). Menurut penjelasannya, ada
suatu kecendrungan untuk rata rata anak dari orang tua dengan tinggi tertentu
bergerak menuju nilai rata rata dari seluruh populasi. Hukum regresi universal dari
Galton telah dibuktikan oleh sahabatnya yang bernama Karl Pearson, dengan jalan
mengumpulkan lebih dari seribu catatan mengenai tinggi dari pada anggota kelompok
keluarga. Karl Pearson menemukan bahwa rata rata tinggi anak laki laki kelompok
orang tua yang tinggi ternyata lebih kecil dari tinggi ayahnya dan rata rata tinggi anak
laki laki dari kelompok orang tua yang pendek ternyata lebih besar dari pada ayahnya,
jadi seolah olah semua anak laki laki yang tinggi dananak laki laki yang pendek
bergerak menuju kerata rata tinggi dari seluruh anak laki laki, yang menurut istilah
Galton : regression to mediocrity. Dari uraian diatas dapat disimpulkan bahwa pada
umumnya tinggi anak mengikuti tinggi orangtuanya.

Jadi analisa regresi berkenaan dengan studi ketergantungan dari suatu variabel
yang disebut variabel tak bebas (dependent variable), pada satu atau lebih variabel,
yaitu variabel yang menerangkan dengan tujuan untuk memperkirakan atau
meramalkan nilai nilai dari variabel tak bebas apabila nilai variabel yang menerangkan
sudah diketahui. Variabel yang menerangkan sering disebut variabel bebas
(independent variable).
2.2 Analisis Regresi Linier

Regresi linier adalah menentukan satu persamaan dan garis yang menunjukan
hubungan antara variabel bebas dan terikat, yang merupakan persamaan penduga
yang berguna untuk menaksir atau meramalkan variabel terikat. Untuk mempelajari
hubungan hubungan antara beberapa variabel. Analisis ini terdiri dari 2 bentuk, yaitu :

1. Analisis sederhana (simple analysis)

2. Analisis Berganda (multiple analysis)

Analisis sederhana merupakan hubungan antara 2 variabel yaitu variabel bebas

(independent variable) dan variabel tak bebas (dependent variable). Sedangkan analisis
berganda merupakan hubungan antara 3 variabel atau lebih, yaitu sekurang
kurangnya 2 variabel bebas dengan 1 variabel tak bebas.

Variabel bebas merupakan variabel yang peubah peubah tanpa adanya

pengaruh variabel variabel lain, tetapi perubahan yang terjadi pada variabel bebas
akan mengakibatkan terjadinya perubahan pada variabel lain. Variabel tak bebas
merupakan variabel yang hanya akan berubah manakala terjadi perubahan pada
variabel atau variabel yang lain. Analisis regresi berguna untuk mendapatkan hubungan
fungsional antara dua variabel bebas terhadap variabel tak bebas atau meramalkan
pengaruh variabel bebas terhadap variabel tak bebas.

2.3 Regresi Linier Sederhana

Regresi linier sederhana merupakan suatu prosedur untuk mendapatkan

hubungan matematis dalam bentuk suatu persamaan antara variabel tak bebas tunggal
dengan variabel bebas tunggal. Regresi linier sederhana hanya ada satu peubah bebas
X. Bentuk bentuk model umum regresi sederhana adalah hubungan variabel
variabel X dan Y sebenarnya dinyatakan :

= + +
Dimana :

Y = Variabel bebas

X = Variabel tak bebas

0 = Intercept Y dari garis, yaitu titik dimana garis itu memotong sumbu Y

1 = Kemiringan garis

= Kesalahan penggangu

Jika 0 , 1 ditaksir oleh 0 dan 1 , maka bentuk regresi linier sederhana untuk
sampel adalah sebagai berikut :

= +

Dimana :

Y = Nilai taksiran untuk Y

0 = Penaksir untuk 0

1 = Penaksir untuk 1

Untuk menentukan 0 dan 1 adalah :

2.4 Regresi Linier Berganda

Banyak persoalan penelitian / pengamatan yang terjadi sebagai akibat lebih dari
dua variabel, atau dengan kata lain memerlukan lebih dari satu peubah bebas dalam
membentuk model regresi. Sebagai salah satu contoh, IPK (Indeks Prestasi Kumulatif)
seorang mahasiswa (Y) bergantung pada jumlah jam belajar (X1), banyaknya buku
yang dibaca (X2), jumlah uang (X3) dan banyak faktor lainnya. Untuk memberikan
gambaran tentang suatu permasalahan / persoalan, biasanya sangat sulit ditentukan
sehingga diperlukan suatu model yang dapat memprediksi dan meramalkan respon
yang penting terhadap persoalan tersebut, yaitu regresi linier berganda.

Bentuk umum model regresi linier berganda untuk populasi adalah :

Dimana

Y = Pengamatan ke i pada variabel tak bebas

= Pengamatan ke I pada variabel bebas

= Koeisien regresi variabel bebas

= Variabel gangguan

Regresi ganda berguna untuk mendapatkan pengaruh dua variabel bebas, atau untuk
mencari hubungan fungsional dua variabel tak bebas atau lebih. Dengan taksiran :
Dimana :

Y = Nilai taksiran bagi variabel Y

0 = Taksiran bagi parameter konstanta 0

0 ,1 ,, = Taksiran bagi parameter konstanta 0,1,,

Untuk mencari nilai 0 ,1 ,, diperlukan n buah pasang data (1,2,...., ,Y)

yang dapat disajikan dalam tabel berikut :

Tabel Data Hasil Pengamatan dari n Responden ( , , ...., , Y)

Responden Y
1
2
. . . . . .
. . . . . .
n

Dari table tersebut dapat dilihat bahwa berpasangan dengan , ,...,

. Data berpasangan dengan , , , dan seterusnya.

Persamaan regresi berganda dengan dua variabel bebas , X2 ditaksir oleh :

Dan diperoleh tiga persamaan normal, yaitu :

Sehingga dalam bentuk matriks dapat dituliskan :

Untuk regresi linier berganda dengan tiga variabel bebas 1 , 2, 3 ditaksir oleh :

Untuk rumus diatas harus diselesaikan dengan empat persamaan normal yaitu :
Sehingga dalam bentuk matriks dapat dituliskan :

Dimana :

Y = Variabel terikat (nilai duga)

1, 2, 3 = Variabel bebas

0 ,1 ,2 dan 3 = Koefesien regresi linier berganda

0 = Nilai Y, apabila 1= 2= 3

1 = Besarnya kenaikan / penurunan Y dalam satuan, jika ! naik /

turun satu satuan dimana 2, 3 konstan

2 = Besarnya kenaikan / penurunan Y dalam satuan, jika 2 naik /

turun satu satuan dimana 1, 3 konstan

3 = Besarnya kenaikan / penurunan Y dalam satuan, jika 3 naik /

turun satu satuan dimana 1, 2 konstan

+ atau - = tanda yang menunjukkan arah hubungan antara Y dengan

variabel bebas X

Harga - harga 0 , 1 , 2 dan 3 yang telah dudapat kemudian disubtitusikan ke

dalam persamaan sehingga diperoleh model regresi linier berganda Y atas 1, 2, 3.

Dalam persamaan model regresi linier yang diperoleh, maka antara nilai Y
dengan Y akan menimbulkan perbedaan hasil yang sering disebut sebagai kekeliruan.
Ukuran tersebut dapat dihitung oleh kekeliruan baku taksiran .12 , yang dapat
ditentukan dengan rumus :

()
.12 =
1

Dengan :

Y = Nilai data hasil pengamatan

Y = Nilai hasil regresi

N = Ukuran sampel

K = Banyaknya variabel bebas

2.5 Contoh soal Regresi

REGRESI LINEAR SEDERHANA

Co. Soal

X = dosis cholesterol (mg/hari)

Y = kadar atherosclerosis

Pengamatan mamberikan data sebagai berikut.

No
1 30 2
2 30 0
3 35 2
4 35 2
5 43 3
6 43 2
7 44 3
8 44 0
9 44 4
10 45 3
11 45 2
12 49 1
13 49 4
14 49 1
15 51 4

Berikan analisis regresi selengkapnya untuk data di atas.

No 2 2
1 30 2 60 900 4
2 30 0 0 900 0
3 35 2 70 1225 4
4 35 2 70 1225 4
5 43 3 129 1849 9
6 43 2 86 1849 4
7 44 3 132 1936 9
8 44 0 0 1936 0
9 44 4 176 1936 16
10 45 3 135 2025 9
11 45 2 90 2025 4
12 49 1 49 2401 1
13 49 4 196 2401 16
 14 49 1 49 2401 1
15 51 4 204 2601 16
636 33 1446 27610 97

Nilai yang kita perlukan yaitu:

= 636, = 33, = 1446, 2 = 27610, 2 = 97

(33)(27610) (636)(1446)
= = 0,8832
(15)(27610) (636)2

(15)(1446) (636)(33)
= = 0,0727
(15)(27610) (636)2

Regresi atas mempunyai persamaan

= 0,073 0,883

Untuk uji kelinearan regresi, diperlukan:

( )2 332
= = 72,6
15
(636)(33)
(|) = (0,073) {1446 } = 3,4164
15
( )2
= 2 (|)

= 97 3,4164 72,6

= 20,9836

2
(2 + 0)2
2 2 2
(2 + 2)2 2 2
(3 + 2)2
() = {2 + 0 } + {2 + 2 } + {3 + 2 }
2 2 2

(2 + 0)2 (3 + 0 + 4)2 (3 + 2)2

+ {22 + 02 } + {32 + 02 + 42 } + {32 + 22 }
2 3 2

(1 + 4 + 1)2 42
+ {12 + 42 + 12 } + {42 }
3 1

= 17,67

() = ()

= 20,9836 17,67 = 3,3136

DAFTAR ANAVA UNTUK UJI KELINEARAN REGRESI

Sumber Variasi dk JK KT F
Total 15 97 -- --
Regresi(a) 1 72,6 72,6
Regresi(b|a) 1 3,4164 3,4164 2,1166
Residu 13 20,9836 1,6141
Tuna Cocok 5 3,3136 0,6627
0,3000
Kekeliruan 8 17,67 2,2088

Jika = 0,05, maka dengan dk pembilang 5 dan dk penyebut 8, dari daftar distribusi F didapat
0,95(5,8) = 3,69. Untuk uji kelinearan, didapat F = 0,3000 dan ini lebih kecil dari 3,69. Jadi
hipotesis bahwa model regresi linear diterima, sehingga dengan demikian tidak ada alasan
untuk mencari model regresi nonlinear.

HASIL PERHITUNGAN SPSS

Regression

Variables Entered/Removedb
Variables Variables
Model Entered Removed Method
1 Xia . Enter
a. All requested variables entered.
b. Dependent Variable: Yi

Model Summary
Adjusted R Std. Error of
Model R R Square Square the Estimate
1 .373a .139 .073 1.271
a. Predictors: (Constant), Xi

ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 3.403 1 3.403 2.107 .170a
Residual 20.997 13 1.615
Total 24.400 14
a. Predictors: (Constant), Xi
 ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 3.403 1 3.403 2.107 .170a
Residual 20.997 13 1.615
Total 24.400 14
a. Predictors: (Constant), Xi
b. Dependent Variable: Yi

Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -.883 2.149 -.411 .688
Xi .073 .050 .373 1.452 .170
a. Dependent Variable: Yi

REGRESI LINEAR BERGANDA

Co. Soal

Kualitas benang telah diteliti sebanyak 15 potong. Karakteristik yang diuji dalam penelitian ini
adalah:

1 = panjang fiber per 0,01 inci.

2 = kehalusan fiber (0,1 microgram per inci fiber)

Y = kekuatan untaian benang dalam pound

Hasil penelitian diberikan dalam daftar berikut.

Benang
1 2
Nomor
1 85 44 99
2 82 42 93
3 75 42 99
4 74 44 97
 5 76 43 90
6 74 46 96
7 73 46 93
8 96 36 130
9 93 36 118
10 70 37 88
11 82 46 89
12 80 45 93
13 77 42 94
14 67 50 75
15 82 48 84

Akan ditentukan model regresi linier ganda sehingga dapat diramalkan kekuatan untaian benang
jika diketahui panjang dan kehalusannya.

DAFTAR HARGA-HARGA YANG DIPERLUKAN UNTUK MENGHITUNG 0 , 1 , 2

Benang 2 2
1 2 1 2 1 2 1 2
Nomor
1 85 44 99 8415 4356 3740 7225 1936
2 82 42 93 7626 3906 3444 6724 1764
3 75 42 99 7425 4158 3150 5625 1764
4 74 44 97 7178 4268 3256 5476 1936
5 76 43 90 6840 3870 3268 5776 1849
6 74 46 96 7104 4416 3404 5476 2116
7 73 46 93 6789 4278 3358 5329 2116
8 96 36 130 12480 4680 3456 9216 1296
9 93 36 118 10974 4248 3348 8649 1296
10 70 37 88 6160 3256 2590 4900 1369
11 82 46 89 7298 4094 3772 6724 2116
12 80 45 93 7440 4185 3600 6400 2025
13 77 42 94 7238 3948 3234 5929 1764
14 67 50 75 5025 3750 3350 4489 2500
15 82 48 84 6888 4032 3936 6724 2304
1186 647 1438 114880 61445 50906 94662 28151

Dari daftar di atas di dapat harga-harga:

= 1438, 1 = 1186, 2 = 647, 1 = 114880,2 = 61445,

2 2
1 2 = 50906, 1 = 94662, 2 = 28151, dan n = 15.

Rumus 44
 = 0 + 1 1 + 2 2
2
1 = 0 1 + 1 1 + 2 1 2
2
2 = 0 2 + 1 1 2 + 2 2

Persamaannya menjadi:

1438 = 150 + 11861 + 6472 . . . . . (1)

114880 = 11860 + 946621 + 509062 . . . . . (2)

61445 = 6470 + 509061 + 281512 . . . . . (3)

Dari pers (1) dan (2) dengan eliminasi diperoleh

-17732 = -133341 + 37522 . . . . . (4)

Dari pers (1) dan (3) dengan eliminasi diperoleh

8711 = 37521 36562 . . . . . (5)

Dari pers (4) dan (5) dengan eliminasi diperoleh

2 = -1,4312

Substitusikan nilai 2 ke pers (5) akan diperoleh

1 = 0,9271

Substitusikan 1 dan 2 ke pers (1) akan diperoleh

0 = 84,29636

Sehingga persamaan regresi linier yang dicari adalah:

= , + , ,

Regression

Variables Entered/Removed

Variables Variables
Model Entered Removed Method

1 X2i, X1ia . Enter

a. All requested variables entered.

 Model Summary

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 .892a .795 .761 6.433

a. Predictors: (Constant), X2i, X1i

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 1927.118 2 963.559 23.283 .000a

Residual 496.615 12 41.385

Total 2423.733 14

a. Predictors: (Constant), X2i, X1i

b. Dependent Variable: Yi

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 84.295 36.254 2.325 .038

X1i .927 .256 .561 3.624 .003

X2i -1.431 .489 -.454 -2.929 .013

a. Dependent Variable: Yi
 BAB 3

PENUTUP

Kesimpulan

Regresi berkenaan dengan studi ketergantungan dari suatu variabel yang

disebut variabel tak bebas (dependent variable), pada satu atau lebih variabel, yaitu
variabel yang menerangkan dengan tujuan untuk memperkirakan atau meramalkan nilai
nilai dari variabel tak bebas apabila nilai variabel yang menerangkan sudah diketahui.
Variabel yang menerangkan sering disebut variabel bebas (independent variable).
Regresi linier sederhana merupakan suatu prosedur untuk mendapatkan
hubungan matematis dalam bentuk suatu persamaan antara variabel tak bebas
tunggal dengan variabel bebas tunggal. Regresi linier sederhana hanya ada satu
peubah bebas X. Bentuk bentuk model umum regresi sederhana adalah
hubungan variabel variabel X dan Y sebenarnya dinyatakan :

= + +

Regresi ganda berguna untuk mendapatkan pengaruh dua variabel bebas, atau
untuk mencari hubungan fungsional dua variabel tak bebas atau lebih. Dengan
taksiran :
 DAFTAR PUSTAKA

http://rudisiswoyo89.blogspot.com/2013/11/analisis-regresi.html

https://meiandmath22.wordpress.com/2014/01/19/contoh-soal-regresi-linier-sederhana-
dan-regresi-linier-ganda/