Makalah Statistika Deskriptif

Analisis Regresi

Kelas : 12.3D.01
Disusun Oleh:
1. Vega Gusti Ranov NIM 12162838
2. Feby Kuswana NIM 12163112
3. Arif Hidayatulloh NIM 12160032
4. Yoga Hariyadi NIM 12162480

Jurusan Manajemen Informatika

Akademi Manajemen Informatika dan Komputer

Bina Sarana Informatika

Depok, 2017
 KATA PENGANTAR

Puji syukur kehadirat Tuhan Yang Maha Esa atas segala rahmat-Nya,
sehingga kami dapat menyelesaikan penulisan makalah ini tepat pada waktunya.
Makalah ini sebagai salah satu persyaratan untuk memperoleh nilai UAS pada
mata kuliah Statistika Deskriptif.

Makalah ini berisikan tentang informasi Ukuran Dispersi. Kami

mengucapkan banyak terima kasih, terutama kepada :

Tuhan YME atas rahmat-Nya sehingga kami dapat menyelesaikan

makalah dengan baik;
Bapak Sabaruddin Siagian sebagai dosen mata kuliah Statistika
Deskriptif;
Rekan-rekan kelas 12.3D.01 jurusan Manajemen Informatika BSI
Margonda;
Semua pihak yang telah membantu proses penyusunan makalah ini;

Harapan kami semoga makalah ini dapat berguna untuk menambah

pengetahuan pembaca yang membutuhkannya sebagai referensi. Kami juga
menyadari sepenuhnya bahwa di dalam makalah ini terdapat kekurangan dari
segi susunan kalimat maupun tata bahasanya. Oleh sebab itu, kami berharap
adanya kritik dan saran untuk memperbaiki makalah yang telah kami buat,
mengingat tidak ada sesuatu yang sempurna tanpa saran yang membangun.

Semoga makalah sederhana ini dapat dipahami bagi siapapun yang

membacanya. Sekiranya makalah yang telah kami susun ini dapat berguna
untuk kami sendiri maupun orang yang membutuhkannya.

Akhir kata kami berharap semoga makalah ini dapat memberikan manfaat
maupun inspirasi terhadap pembaca.

1
 DAFTAR ISI

KATA PENGANTAR ................................................................................ 1

DAFTAR ISI ........................................................................................... 2

BAB I PENDAHULUAN ............................................................................ 3

A. Latar Belakang ............................................................................ 3

B. Perumusan Masalah .................................................................... 4

BAB II LANDASAN TEORI ....................................................................... 5

BAB III PEMBAHASAN .......................................................................... 18

BAB IV PENUTUP ................................................................................. 25

A. Kesimpulan ............................................................................... 25

B. Saran ........................................................................................ 25

DAFTAR PUSAKA................................................................................. 26

2
 BAB I
PENDAHULUAN

A. LATAR BELAKANG

Regresi linear bisa digunakan saat membuat kajian mengenai distribusi

berat suatu populasi orang dengan kaitannya pada tinggi mereka. Dalam
melakukan sebuah penelitian, regresi linear juga dibutuhkan, jadi apabila
seseorang tidak paham dengan regresi linear maka seseorang tersebut tidak
akan bisa membuat penelitian dengan menggunakan regresi linear.

Regresi merupakan suatu model matematis yang dapat digunakan

untuk mengetahui pola hubungan antara dua atau lebih variabel. Istilah
regresi yang berarti ramalan atau taksiran pertama kali diperkenalkan Sir
Francis Galton pada tahun 1877, sehubungan dengan penelitiannya terhadap
tinggi manusia, yaitu tinggi anak dan tinggi orang tuanya. Dalam
penelitiannya, Galton menemukan bahwa tinggi anak dan tinggi orang
tuanya cenderung meningkat atau menurun dari berat rata-rata populasi.
Garis yang menunjukkan hubungan tersebut disebut garis regresi.

Analisis regresi lebih akurat dalam melakukan analisis korelasi, karena

pada analisis itu kesulitan dalam menunjukkan slop (tingkat perubahan
suatu variabel terhadap variabel lainnya dapat ditentukan). Jadi dengan
analisis regresi, peramalan atau perkiraan nilai variabel terikat pada nilai
variabel bebas lebih akurat pula. Karena merupakan suatu prediksi, maka
nilai prediksi tidak selalu tepat dengan nilai riilnya, semakin kecil tingkat
penyimpangan antara nilai prediksi dengan nilai riilnya, maka semakin tepat
persamaan regresi yang dibentuk.

3
B. PERUMUSAN MASALAH

Dalam makalah yang membahas analisa regresi ini, kami akan mengkaji
sejumlah masalah statistika yang telah kami rumuskan sebagai berikut :

1. Cara perhitungan regresi linear sederhana ?

2. Bagaimana cara menyusun data pada tabulasi regresi sederhana ?
3. Bagaimanakah membuat model Persamaan Regresi ?

4
 BAB II
LANDASAN TEORI

I.1 ANALISIS REGRESI

Terdapat perbedaan yang mendasar antara analisis korelasi dan

regresi. Analisis korelasi digunakan untuk mencari arah dan kuatnya
hubungan antara dua variabel atau lebih, baik hubungan yang bersifat
simetris, kausal dan reciprocal. Sedangkan analisis regresi digunakan untuk
memprediksikan seberapa jauh perubahan nilai variabel dependen, bila nilai
variabel independen di manipulasi/dirubah-rubah atau dinaik-turunkan.

Manfaat dari hasil regresi adalah untuk membuat keputusan apakah

naik dan menurunnya variabel dependen dapat dilakukan melalui
peningkatan variabel independen atau tidak. Sebagai contoh, naiknya
jumlah penjualan dapat dilakukan melalui jumlah iklan atau tidak.

I.2 SEJARAH STATISTIKA

Adapun satatistika adalah ilmu tentang cara-cara mengumpulkan,

menggolongkan, menganalisis, dan mencari keterangan yang berhubungan
dengan pengumpulan data yang penyelidikan dan kesimpulannya
berdasarkan bukti-bukti yang berupa angka-angka.

Secara umum kedudukan statistika memiliki beberapa manfaat, antara

lain:
a. Menyajikan data secara ringkas dan jelas, sehingga lebih mudah

dimengerti oleh para pengguna.

b. Menunjukkan trend atau tendensi perkembangan suatu masalah.

c. Melakukan penarikan kesimpulan secara ilmiah.

Statistika secara prinsip mula-mula hanya mengurus data yang dipakai

lembaga-lembaga administratif dan pemerintahan. Pengumpulan data
terus berlanjut, khususnya melalui sensus yang dilakukan secara teratur
untuk memberi informasi kependudukan yang berubah setiap saat.

5
 Gottfried Achenwall (1749) menggunakan Statistik dalam bahasa Jerman
untuk pertama kalinya sebagai nama bagi kegiatan analisis data kenegaraan,
dengan mengartikannya sebagai “ilmu tentang negara (state)”. Pada awal
abad ke-19 telah terjadi pergeseran arti menjadi “ilmu mengenai
pengumpulan dan klasifikasi data”. Sir John Sinclair memperkenalkan nama
(Statistics) dan pengertian ini ke dalam bahasa Inggris. Jadi, statistika secara
prinsip mula-mula hanya mengurus data yang dipakai lembaga-lembaga
administratif dan pemerintahan. Pengumpulan data terus berlanjut,
khususnya melalui sensus yang dilakukan secara teratur untuk memberi
informasi kependudukan yang berubah setiap saat.

Pada abad ke-19 dan awal abad ke-20 statistika mulai banyak
menggunakan bidang- bidang dalam matematika, terutama peluang.
Cabang statistika yang pada saat ini sangat luas digunakan untuk
mendukung metode ilmiah, statistika inferensi, dikembangkan pada paruh
kedua abad ke-19 dan awal abad ke-20 oleh Ronald Fisher (peletak dasar
statistika inferensi), Karl Pearson(metode regresi linear), dan William Sealey
Gosset (meneliti problem sampel berukuran kecil). Penggunaan statistika
pada masa sekarang dapat dikatakan telah menyentuh semua bidang ilmu
pengetahuan, mulai dari astronomi hingga linguistika. Bidang-bidang
ekonomi, biologi dan cabang-cabang terapannya, serta psikologi banyak
dipengaruhi oleh statistika dalam metodologinya. Akibatnya lahirlah ilmu-
ilmu gabungan seperti ekonometrika, biometrika (atau biostatistika), dan
psikometrika.

Meskipun ada pihak yang menganggap statistika sebagai cabang dari

matematika, tetapi sebagian pihak lainnya menganggap statistika sebagai
bidang yang banyak terkait dengan matematika melihat dari sejarah dan
aplikasinya. Di Indonesia, kajian statistika sebagian besar masuk dalam
fakultas matematika dan ilmu pengetahuan alam, baik di dalam departemen
tersendiri maupun tergabung dengan matematika.

I.3 DEFINISI REGRESI

Analisis regresi dalam statistika adalah salah satu metode untuk

menentukan hubungan sebab-akibat antara satu variabel dengan variabel(-

6
variabel) yang lain. Variabel "penyebab" disebut dengan bermacam-macam
istilah: variabel penjelas, variabel eksplanatorik, variabel independen, atau
secara bebas, variabel X (karena seringkali digambarkan dalam grafik
sebagai absis, atau sumbu X). Variabel terkena akibat dikenal sebagai
variabel yang dipengaruhi, variabel dependen, variabel terikat, atau variabel
Y. Kedua variabel ini dapat merupakan variabel acak (random), namun
variabel yang dipengaruhi harus selalu variabel acak.

Analisis regresi adalah salah satu analisis yang paling populer dan luas
pemakaiannya. Analisis regresi dipakai secara luas untuk melakukan prediksi
dan ramalan, dengan penggunaan yang saling melengkapi dengan bidang
pembelajaran mesin. Analisis ini juga digunakan untuk memahami variabel
bebas mana saja yang berhubungan dengan variabel terikat, dan untuk
mengetahui bentuk-bentuk hubungan tersebut.

Regresi merupakan suatu alat ukur yang digunakan untuk mengukur

ada atau tidaknya hubungan antar variabel. Dalam analisis regresi, suatu
persamaan regresi atau persamaan penduga dibentuk untuk menerangkan
pola hubungan variabel- variabel apakah ada hubungan antar 2 variabel atau
lebih. Hubungan yang didapat pada umumnya menyatakan hubungan
fungsional antara variabel - variabel. Istilah regresi pertama kali
diperkenalkan oleh seorang ahli yang bernama Fancis Galton pada tahun
1886. Menurut Galton, analisis regresi berkenaan dengan studi
ketergantungan dari suatu variable yang disebut variable tak bebas
(dependent variable), pada satu atau lebih 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 dalam pengertian moderen menurut Gujarati (2009) ialah

sebagai kajian terhadap ketergantungan satu variabel, yaitu variabel
tergantung terhadap satu atau lebih variabel lainnya atau yang disebut
sebagai variabel – variabel eksplanatori dengan tujuan untuk membuat
estimasi dan / atau memprediksi rata – rata populasi atau nilai rata - rata
variabel tergantung dalam kaitannya dengan nilai – nilai yang sudah

7
diketahui dari variabel ekslanatorinya. Selanjutnya menurut Gujarati meski
analisis regresi berkaitan dengan ketergantungan atau dependensi satu
variabel terhadap variabel – variabel lainnya hal tersebut tidak harus
menyiratkan sebab – akibat (causation). Dalam mendukung pendapatnya ini,
Gujarati mengutip pendapat Kendal dan Stuart yang diambil dari buku
mereka yang berjudul “The Advanced Statistics” yang terbit pada tahun 1961
yang mengatakan bahwa,” suatu hubungan statistik betapapun kuat dan
sugestifnya tidak akan pernah dapat menetapkan hubungan sebab akibat
(causal connection); sedang gagasan mengenai sebab akibat harus datang
dari luar statistik, yaitu dapat berasal dari teori atau lainnya”.

Sedang menurut Levin & Rubin (1998:648), regresi digunakan untuk

menentukan sifat – sifat dan kekuatan hubungan antara dua variabel serta
memprediksi nilai dari suatu variabel yang belum diketahui dengan
didasarkan pada observasi masa lalu terhadap variabel tersebut dan
variabel- variabel lainnya. Selanjutnya dalam regresi kita akan
mengembangkan persamaan estimasi(estimating equation), yaitu rumus
matematika yang menghubungkan variabel-variabel yang diketahui dengan
variabel-variabel yang tidak diketahui. Setelah dipelajari pola hubungannya,
kemudian kita dapat mengaplikasikan analisis korelasi (correlation analysis)
untuk menentukan tingkatan dimana variabel–variabel tersebut
berhubungan. Kesimpulannya, analisis korelasi mengungkapkan seberapa
benar persamaan estimasi sebenarnya menggambarkan hubungan tersebut.
Lebih lanjut Levin & Rubin mengatakan bahwa : “Kita sering menemukan
hubungan sebab akibat antar variabel–variabel; yaitu variabel bebas
“menyebabkan‟ variabel tergantung berubah. Sekalipun demikian mereka
melanjutkan bahwa: “penting untuk kita perhatikan bahwa yang kita anggap
hubungan (relationship) yang diketemukan melalui regresi sebagai
hubungan asosiasi (relationship of association) tetapi tidak selalu harus
sebab dan akibat (cause and effect). Kecuali kita mempunyai alasan –alasan
khusus untuk percaya bahwa (perubahan pada) nilai–nilai variabel
tergantung disebabkan oleh nilai – nilai variabel (variabel) bebas; jangan
menyimpulkan (infer) hubungan sebab akibat dari hubungan yang
diketemukan dalam regresi.

8
 Karena Levin & Rubin dalam mendefinisikan regresi juga menggunakan
istilah “analisis korelasi”, maka sebaiknya dalam bagian ini penulis perlu
menjelaskan perbedaan antara regresi dan korelasi. Menurut Gujarati (2009:
20) analisis korelasi bertujuan untuk mengukur kekuatan (strength) atau
tingkatan (degree) hubungan linier (linear association) antara dua variabel.
Untuk mengukur kekuatan hubungan linier ini digunakan koefesien korelasi.
Sebaliknya dalam regresi kita tidak melakukan pengukuran seperti itu.
Dalam regresi kita membuat estimasi atau memprediksi nilai rata-rata satu
variabel didasarkan pada nilai – nilai tetap variabel – variabel lain. Perbedaan
yang mendasar antara regresi dan korelasi ialah dalam regresi terdapat
(hubungan) asimetri dalam kaitannya dengan perlakuan terhadap variabel
tergantung dan variabel bebas. Variabel tergantung diasumsikan statistitikal,
acak atau stokhastik, yaitu mempunyai distribusi probabilitas. Sedang
variabel bebas / prediktornya diasumsikan mempunyai nilai – nilai tetap.
Sebaliknya dalam korelasi kita memperlakukan dua variabel atau variabel –
variabel apa saja secara simetris, yaitu tidak ada perbedaan antara variabel
bebas dan variabel tergantung. Sebagai contoh korelasi antara nilai ujian
matematik dan statistik sama dengan korelasi nilai ujian statistik dan
matematik. Lebih lanjut dalam korelasi kedua variabel diasumsikan random.

Regresi linier mempunyai persamaan yang disebut sebagai persamaan

regresi. Persamaan regresi mengekspresikan hubungan linier antara variabel
tergantung / variabel kriteria yang diberi simbol Y dan salah satu atau lebih
variabel bebas / prediktor yang diberi simbol X jika hanya ada satu prediktor
dan X1, X2 sampai dengan Xk, jika terdapat lebih dari satu prediktor
(Crammer & Howitt, 2006:139). Persamaan regresi akan terlihat seperti di
bawah ini:

 Untuk persamaan regresi dimana Y merupakan nilai yang diprediksi, maka

persamaannya ialah:

Y = a + β1X1 (untuk regresi linier sederhana)

Y = a + β1X1 + β2X2 + … + βkXk (untuk regresi linier berganda)

9
 Untuk persamaan regresi dimana Y merupakan nilai sebenarnya
(observasi), maka persamaan menyertakan kesalahan (error term /
residual) akan menjadi:

Z = a + β1X1 + e (untuk regresi linier sederhana)

Y = a + β1X1 + β2X2 + … + βkXk + e (untuk regresi linier berganda)

Dimana:

 X: merupakan nilai sebenarnya suatu kasus (data)

 β: merupakan koefesien regresi jika hanya ada satu prediktor dan

koefesien regresi parsial jika terdapat lebih dari satu prediktor. Nilai ini
juga mewakili mewakili koefesien regresi baku (standardized) dan
koefesien regresi tidak baku (unstandardized). Koefesien regresi ini
merupakan jumlah perubahan yang terjadi pada Y yang disebabkan oleh
perubahan nilai X. Untuk menghitung perubahan ini dapat dilakukan
dengan cara mengkalikan nilai prediktor sebenarnya (observasi) untuk
kasus (data) tertentu dengan koefesien regresi prediktor tersebut.

 a: merupakan intercept yang merupakan nilai Y saat nilai prediktor

sebesar nol.

Sedang garis regresi didefinisikan sebagai garis lurus yang ditarik dari
titik – titik diagram pencar (scattered diagram) dari nilai variabel tergantung
dan variabel bebas sehingga garis tersebut menggambarkan hubungan linier
antara variabel-variabel tersebut. Jika nilai-nilai ini merupakan garis regresi
nilai baku maka garis ini sama dengan garis korelasi. Garis ini disebut juga
sebagai garis kecocokan yang sempurna dimana garis lurus tersebut berada
pada posisi terdekat pada titik-titik diagram pencar. Garis ini dapat
digambarkan dari nilai-nilai persamaan regresi dalam bentuk yang paling
sederhana yaitu:

Nilai yang diprediksi = intercept + (koefesien regresi x nilai prediktor)

Sumbu vertikal dari diagram pencar digunakan untuk menggambarkan

nilai-nilai variabel tergantung sedang sumbu horizontal menggambarkan
nilai prediktor. Intercept merupakan titik sumbu vertikal yang merupakan
nilai variabel tergantung yang diprediksi saat nilai prediktor atau variabel
bebas sebesar nol. Nilai yang diprediksi akan sebesar akan sebesar 0 jika
koefesien regresi baku digunakan. Itulah sebabnya saat menggunakan IBM

10
SPSS keluaran yang digunakan dalam koefesien regresi menggunakan
keluaran pada kolom “unstandardized coefficient”.

Jika digambarkan akan nampak seperti di bawah ini:

Persamaannya ialah
Y = a + β1X1

Dengan:

Y= variabel tergantung /

variabel kriteria a= intercept Y

β = kemiringan (slope)

X= variabel bebas

Garis regresi mempunyai 3 (tiga) kemungkinan yaitu: 1) hubungan linier

positif, 2) hubungan linier negatif, dan 3) tidak ada hubungan linier.
Gambarnya seperti di bawah ini:

11
1) Hubungan Linier Positif

2) Hubungan Linier Negatif

12
 Agar kita memperoleh kejelasan dalam penggunaan istilah, maka di
bawah ini diberikan istilah-istilah yang mewakili pengertian variabel bebas
dan variabel tergantung dalam regresi. Gujarati memberikan istilah sebagai
berikut:

 Variabel tergantung (dependent variable): disebut juga sebagai variabel

yang dijelaskan (explained variable) / variabel yang diprediksi (predictand)
/ regresan

 (regressand) / variabel yang merespon ( response) / endegenous /

keluaran (outcome) / variabel yang dikontrol (controlled variable).

Variabel yang menerangkan (explanatory variable): disebut juga sebagai

variabel bebas (independent variable) / variabel yang memprediksi
(predictor) / regresor (regressor) / variabel stimulus ( stimulus) / exogenous
/ kovariat (covariate) / variabel kontrol (control variable).

I.4 PERSAMAAN REGRESI

Persamaan regresi yang digunakan untuk membuat taksiran mengenai

variabel dependen disebut persamaan regresi estimasi, yaitu suatu formula
matematis yang menunjukkan hubungan keterkaitan antara satu atau
beberapa variabel yang nilainya suda h diketahui dengan satu variabel lain
yang nilainya belum diketahui.

Sifat hubungan antar variabel dalam persamaan regresi merupakan

hubungan sebab akibat(causal relationship). Oleh karena itu, sebelum
menggunakan persamaan maka perlu diyakini terlebih dahulu secara teoritis
atau perkiraan sebelumnya, dua atau lebih variabel memiliki hubungan
sebab akibat. Variabel yang nilainya akan mempengaruhi nilai variabel lain
disebut variabel bebas (independent variabel), sedangkan variabel yang
nilainya dipengaruhi oleh nilai variabel lain disebut variabel tidak bebas
(dependent variabel).

Manfaat dari hasil analisis regresi adalah untuk membuat keputusan

apakah naik dan menurunnya variabel dependen dapat dilakukan melalui
peningkatan variabel independen atau tidak.

13
 Kuatnya hubungan antar variabel yang dihasilkan dari analisis korelasi
dapat diketahui berdasarkan besar kecilnya koefisien korelasi yang harganya
antara minus satu s.d plus satu. Koefisien korelasi yang mendekati minus 1
atau plus 1, berarti hubungan variabel tersebut sempurna negatif atau
sempurna positif. Bila koefisien korelasi (r) tinggi, pada umumnya koefisien
regresi (b) juga tinggi, sehingga daya prediktifnya akan tinggi. Bila koefisien
korelasi minus, maka pada umumnya koefisien regresi juga minus dan
sebaliknya. Jadi antara korelasi dan regresi terdapat hubungan yang
fungsional sebagai alat untuk analisis.

Untuk memudahkan melakukan interpretasi mengenai kekuatan

hubungan antara dua variabel diberikan kriteria hubungan korelasinya (r)
sebagai berikut (Sarwono:2006) :

0 : Tidak ada korelasi antara dua variabel

> 0 – 0,25 : Korelasi sangat lemah
> 0,25 – 0,5 : Korelasi cukup
> 0,5 – 0,75 : Korelasi kuat
> 0,75 – 0,99 : Korelasi sangat kuat
1 : Korelasi sempurna

14
I.5 REGRESI LINIER SEDERHANA

Regresi linier sederhana yaitu suatu prosedur untuk mendapatkan

hubungan matematis dalam bentuk persamaan antar variabel bebas tunggal
dengan variabel tidak bebas tunggal. Regresi linier sederhana hanya
memiliki satu peubah X yang dihubungkan dengan satu peubah tidak bebas
Y.

Persamaan umum regresi sederhana adalah 𝑌 = 𝑎 + 𝑏𝑋 dapat diperoleh

dengan rumus :
∑ 𝑦 ∑ 𝑥2 − ∑ 𝑥 ∑ 𝑦
𝑎=
𝑛 ∑ 𝑥 2 − (∑ 𝑥)2
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝑏=
𝑛 ∑ 𝑥 2 − (∑ 𝑥)2

I.6 PERSAMAAN REGRESI LINIER BERGANDA

Banyak data pengamatan terjadi akibat lebih dari dua varriabel.

Misalnya rata-rata pertambahan berat daging sapi (Y) bergantung pada berat
pemulusan (X1), umur sapi ketika pengamatan mulai dilakukan (X2), berat
makanan yang diberikan setiap hari (X3) dan faktor lainnya. Untuk
memberikan gambaran tentang suatu permasalahan atau persoalan,
biasanya sangat sulit ditentukan, sehingga diperlukan suatu model yang
dapat diprediksi dan meramalkan respon yang penting terhadap persoalan
tersebut, yaitu regresi linier ganda.

Bentuk umum regresi linier berganda untuk populasi adalah :

Di mana β0, β1, β2, . . .,βk adalah koefisien atau parameter model.

Model regresi linier berganda untuk populasi diatas dapat ditaksir

berdasarkan sebuah sampel acak yang berukuran n dengan model regresi
linier berganda untuk sampel, yaitu :

15
 Dengan :
Ŷ = nilai penduga bagi variabel Y
b0 = dugaan bagi parameter konstanta β0
b1, b2, . . ., bk = dugaan bagi parameter konstanta β1, β2, . . .,β3
e = galat dugaan (error)

Untuk mencari nilai b0, b1, b2, . . ., bk diperlukan n buah pasang data
(X1, X2, . . ., Xk,Y) yang dapat disajikan dalam tabel sebagai berikut :

Tabel 2.1 : Data hasil pengamatan dari n Responden (X1, X2, . . ., Xk,Y)

RESPONDEN X1 X2 ... XK Y

1 X11 X21 ... XK1 Y1

2 X12 X22 ... XK2 Y2

. . . . . .

. . . . . .

. . . . . .

n X1n X2n ... Xkn Yn

Dari tabel 2.1 dapat dilihat bahwa Y1 berpasangan dengan X11, X21 ,. .
., XK1, data Y2

Berpasangan dengan X12, X22, . . ., XK2 dan pada umumnya data Yn

berpasangan dengan X1n, X2n, . ., Xkn.

Persamaan regresi berganda dengan dua variabel bebas X1, X2 ditaksir

oleh :

16
 Diperoleh tiga persamaan normal yaitu :

= b0n + b1X1i +
∑Y
1 b2∑X2i

∑Y1 X1i = b0 ∑X1i + b1∑X1i2 + b2∑X1iX2i

∑Y1 X2i = b0∑X2i + b1 ∑X1iX2i + b2∑X2i2

Sehingga dalam bentuk matriks dapat

dituliskan :

b
Yi n ∑X1i ∑X2i 0

∑Y
1 X1i = ∑Xi ∑X1i ∑X1i X2i x b1

∑Y b
1 X2i ∑X2i ∑X1i X2i ∑X2i 2

17
 BAB III
PEMBAHASAN MASALAH

A. CONTOH KASUS 1

1. Cara perhitungan regresi linear sederhana ?

B. PEMBAHASAN KASUS 1

Data berikut adalah hasil pengamatan terhadap nilai Kualitas Layanan

(Xi) dan nilai rata-rata penjualan barang tertentu tiap bulan (Yi). Data kedua
variabel diberikan pada Tabel 3.1.

Tabel 3.1

NILAI KUALISTAS LAYANAN DAN NILAI RATA-RATA PENJUALAN BARANG

Nomor Kualitas Layanan (Xi ) Penjualan Barang (Yi )
1 54 167
2 50 155
3 53 148
4 45 146
5 48 170
6 63 173
7 46 149
8 56 166
9 52 170
10 56 174
11 47 156
12 56 158
13 55 150
14 52 160
15 50 157
16 60 177
17 55 166
18 45 160
19 47 155
20 53 159
21 49 159
22 56 172
23 57 168
24 50 159
25 49 150
26 58 165
27 48 159
28 52 162
29 56 168
30 54 166
31 59 177
32 47 149
33 48 155
34 56 160

18
 Untuk menghitung persamaan regresinya, maka diperlukan tabel
penolong seperti Tabel 3.2.

Tabel 3.2

TABEL PENOLONG UNTUK MENGHITUNG PERSAMAAN REGRESI

19
Tabel 3.3. Untuk mempermudah uji Linieritas

Tabel 3.3

DAFTAR ANALISA VARIANS (ANVA) REGRESI LINEAR SEDERHANA

Daftar anva untuk regresi Linear

20
C. CONTOH KASUS 2
1. Bagaimana cara menyusun data pada tabulasi regresi sederhana ?
2. Bagaimanakah membuat model Persamaan Regresi ?
D. PEMBAHASAN KASUS 2
Seorang Engineer ingin mempelajari Hubungan antara Suhu Ruangan
dengan Jumlah Cacat yang diakibatkannya, sehingga dapat memprediksi
atau meramalkan jumlah cacat produksi jika suhu ruangan tersebut tidak
terkendali. Engineer tersebut kemudian mengambil data selama 30 hari
terhadap rata-rata (mean) suhu ruangan dan Jumlah Cacat Produksi. Data
rata-rata suhu ruangan dan jumalah cacat produksi disusun secara
berurutan selama 30 hari seperti tabel di bawah ini.
Rata-rata Suhu
Tanggal Jumlah Cacat
Ruangan
1 24 10
2 22 5
3 21 6
4 20 3
5 22 6
6 19 4
7 20 5
8 23 9
9 24 11
10 25 13
11 21 7
12 20 4
13 20 6
14 19 3
15 25 12
16 27 13
17 28 16
18 25 12
19 26 14
20 24 12
21 27 16
22 23 9
23 24 13
24 23 11
25 22 7
26 21 5
27 26 12
28 25 11
29 26 13
30 27 14

21
 Data tersebut disusun dalam bentuk tabulasi untuk mendapatkan
perhitungan ∑ seperti gambar di bawah ini.
Rata-
rata Jumlah
Tanggal X² Y² XY
Suhu Cacat
Ruangan
1 24 10 576 100 240
2 22 5 484 25 110
3 21 6 441 36 126
4 20 3 400 9 60
5 22 6 484 36 132
6 19 4 361 16 76
7 20 5 400 25 100
8 23 9 529 81 207
9 24 11 576 121 264
10 25 13 625 169 325
11 21 7 441 49 147
12 20 4 400 16 80
13 20 6 400 36 120
14 19 3 361 9 57
15 25 12 625 144 300
16 27 13 729 169 351
17 28 16 784 256 448
18 25 12 625 144 300
19 26 14 676 196 364
20 24 12 576 144 288
21 27 16 729 256 432
22 23 9 529 81 207
23 24 13 576 169 312
24 23 11 529 121 253
25 22 7 484 49 154
26 21 5 441 25 105
27 26 12 676 144 312
28 25 11 625 121 275
29 26 13 676 169 338
30 27 14 729 196 378
Total 699 282 16487 3112 6861

22
 Persamaan untuk mencari konstanta a seperti ditunjukkan gambar
berikut.
∑ 𝑦 ∑ 𝑥2− ∑ 𝑥 ∑ 𝑦
𝑎=
𝑛 ∑ 𝑥 2 −(∑ 𝑥)2

Persamaan untuk mencari koefisien regresi b seperti ditunjukkan

gambar berikut.
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝑏=
𝑛 ∑ 𝑥 2 − (∑ 𝑥)2

Pada kasus ini ditemukan bahwa nilai :

∑x = 699

∑y = 282

∑x² = 16487

∑y² = 3112

∑xy = 6861

Kemudian nilai variabel ini dimasukkan kedalam rumusnya seperti

gambar berikut.
∑ 𝑦 ∑ 𝑥2 − ∑ 𝑥 ∑ 𝑦
𝑎=
𝑛 ∑ 𝑥 2 − (∑ 𝑥)2
(282)(16487) − (699)(282)
𝑎=
30 (16487) (699)2

a = -24,38
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝑏=
𝑛 ∑ 𝑥 2 − (∑ 𝑥)2

(30)(6861) − (699)(282)
𝑏=
30 (16487) (699)2

b = 1,45

Sehingga didapat model persamaan regresi linier

𝑌 = 𝑎 + 𝑏𝑋

Y = −24,38 + 1,45X

23
 Tampilan data dan persamaan garis dari persamaan model regresi
diatas dapat dilihat seperti gambar berikut.

18

16 y = 1.4498x - 24.381

14

12
Jumlah Cacat

10

0
10 12 14 16 18 20 22 24 26 28 30
Suhu Ruangan

Dari gambar terlihat bahwa ada data keterkaitan antara suhu ruangan
dengan jumlah cacat produksi. Bila dianalisa maka dapat disimpulkan
semakin tinggi suhu ruangan maka semakin besar pula jumlah cacat
produksi.

Prediksi terhadap jumlah cacat produksi jika suhu ruangan dalam

keadaan tinggi, misalnya 30°C yakni:

Y = −24,38 + 1,45X
Y = −24,38 + 1,45(30)
Y = 19,12
Jadi jika suhu ruangan sebesar 30°C maka akan dipredisikan terdapat
19,12 unit jumlah barang yang cacat produksi.

24
 BAB IV
PENUTUP

A. KESIMPULAN

Berdasarkan pembahasan pada bab-bab sebelumnya, maka penyusunan

makalah menarik kesimpulan, antara lain :

1) Analisis regresi merupakan studi ketergantungan satu atau lebih X

(variabel bebas) terhadap Y (variabel terikat), dengan maksud untuk

meramalkan nilai Y.

2) Tujuan analisis regresi adalah medapatkan pola hubungan secara

matematis antara X dan Y , mengetahui besarnya perubahan variabel

X maupun Y, dan mempredisi Y jika nilai X diketahui.

3) Persamaan regresi linier sederhana secara umum yaitu : Y = a +bX

B. SARAN

Diharapkan kepada teman-teman supaya mempelajari dan dapat

menguasai materi mengenai “Analisa Regresi” karena materi ini merupakan
salah satu bagian penting dalam ilmu statistik yang memiliki manfaat guna
menunjukkan tinggi rendahnya penyimpangan antara data serta mengetahui
derajat perbedaan antar data.

25
 DAFTAR PUSAKA

Dajan, Anto.1986.Pengantar Metode Staistik Jilid1.Jakarta: LP3ES.

Priyatno, Duwi. 2009. spss untuk analisis korelasi, regresi, dan

multivariate. Gava Media.

Priyatno, Duwi. 2013. Mandiri Belajar Analisis Data Dengan SPSS.

Yogyakarta: Mediakom.

Qudratullah, Mohammad Farhan. 2013. Analisis Regresi Terapan.

Yogyakarta: Andi Publisher.

Quadratullah, Mohammad Farhan. 2013. Analisis Regresi Terapan

Teori Contoh Kasus Dan Aplikasi Dengan SPSS.
Yogyakarta: Andi Publisher.

Sugiono. 2010. Statistik untuk Penelitian Jakarta: Alfabeta.

Sumber Internet :

https://www.academia.edu/29336490/STATISTIK_UNTUK_PENELITIAN_by_Pr
of._Dr._Sugiyono

http://repository.usu.ac.id/bitstream/handle/123456789/19373/Chapter%2
0II.pdf?sequence=4&isAllowed=y

https://www.slideshare.net/dWaay/analisa-regresi-linier-sederhana

http://repository.usu.ac.id/bitstream/handle/123456789/19373/Chapter%2
0II.pdf?sequence=4&isAllowed=y

http://www.jonathansarwono.info/regresi/regresi.pdf

https://id.wikipedia.org/wiki/Analisis_regresi

26