REGRESI LINIER SEDERHANA

Disusun untuk memenuhi tugas mata kuliah Statistik

Oleh:

Rosmeiliyana (25201640)
Annita Nurhayati (252016050)
Pricilla Jihan Fadilla (252016055)
Adam Dzaky Rahman (252016067)
Sarah Nisrina (252016061)
Soni Pratamayudha (252016073)

TEKNIK LINGKUNGAN

FAKULTAS TEKNIK SIPIL DAN PERENCANAAN

INSTITUT TEKNOLOGI NASIONAL

BANDUNG

2016
 BAB I

PENDAHULUAN

A. Latar Belakang

Statistika adalah ilmu pengetahuan yang telah banyak digunakan dalam kehidupan
sehari-hari. Pemerintah menggunakan statistika untuk menilai hasil pembangunan masa lalu
dan juga untuk mengambil rencana masa datang. Selain itu pimpinan mengambil manfaat
dari kegunaan statistika untuk melakukan tindakan yang perlu dalam menjalani tugasnya. Di
dunia penelitian atau riset, dimana pun dilakukan, bukan saja telah mendapat manfaat yang
baik dari statistika tetapi sering harus menggunakannya. Seperti untuk mengetahui apakah
cara yang baru ditemukan lebih baik dari pada cara lama atau apakah model untuk sesuatu hal
dapat kita anut atau tidak dengan menganalisis model atau metode tersebut.

Untuk mengetahui hal-hal diatas, perlu diadakan salah satunya dengan menganalisis
regresi linier terhadap statistika. Regresi linear merupakan suatu metode analisis statistik
yang mempelajari pola hubungan antara dua atau lebih variabel. Pada kenyataan sehari-hari
sering dijumpai sebuah kejadian dipengaruhi oleh lebih dari satu variabel, oleh karenanya
dikembangkanlah analisis regresi linier sederhana untuk menganalisis suatu persoalan.
Adanya metode analisis regresi ini sangat menguntungkan bagi banyak pihak, baik di bidang
sains, sosial, industri maupun bisnis. Salah satu manfaat analisis regresi adalah
memperkirakan suatu kejadian yang akan terjadi dengan menganalisis penyebab yang
mungkin mempengaruhi kejadian tersebut. Makalah ini akan membahas cara menganalisis
regresi sederhana dengan membuat tabel belanja statistik, mencari jumlah kuadrat dan
persamaan regresi, serta menguji signifikansi uji F regresi.
 BAB II

LANDASAN TEORI

A. Pengertian Analisis Regresi

Analisis regresi merupakan metode statistika yang amat banyak digunakan dalam
peneltian. Istilah regresi pertama kali diperkenalkan oleh Sir Francis Galton pada tahun 1886.
Galton menemukan adanya hubungan bahwa orang tua yang memeliki tubuh tinggi memiliki
anak-anak yang tinggi pula, orang tua yang pendek memiliki anak-anak yang pendek pula.
Kendati demikian ia mengamati bahwa adanya kecenderungan tinggi anak, cenderung
bergerak menuju rata-rata tinggi populasi secara menyeluruh. Dengan kata lain, ketinggian
anak yang amat tinggi atau orang tua yang amat pendek cenderung bergerak kearah tinggi
populasi.
Secara umum regresi adalah studi mengenai ketergantungan satu variabel (variabel
tak bebas/ variabel respon) dengan satu atau lebih variabel bebas/ variabel penjelas. Hasil dari
analisi regresi merupakan suatu persamaan, yaitu persamaan matematika. Persamaan tersebut
digunakan sebagai prediksi. Dengan demikian analisis regresi sering disebut dengan analisis
prediksi. Karena merupakan prediksi, maka nilai prediksi tidak selalu tepat dengan nilai
realnya, semakin kecil tingkat penyimpangannya antar prediksi dengan nilai riilnya, maka
semakin tepat persamaan regresi yang dibentuk.
Persamaan regresi adalah suatu persamaan matematika yang mendefinisikan
hubungan antara dua variabel yaitu hubungan keterkaitan antara satu atau beberapa variabel
yang nilainya sudah diketahui dengan satu variabel yang nilainya belum diketahui, sifat
hubungan antara dalam persamaan meruoakan hubungan sebab akibat. Oleh karena itu,
sebelum menggunakan persamaan regresi dalam menjelaskan hubungan antara dua atau lebih
variabel, perlu diyakini terlebih dahulu bahwa secara teoritis atau perkiraan sebelumnya,
bahwa variabel-variabel tersebut memiliki hubungan sebab akibat. Variabel yang nilainya
akan mempengaruhi variabel tersebut disebut variabel bebas (X). sedangkan variabel yang
nilainya dipengaruhi oleh variabel lain adalah variabel tergantung (Y).
Analisis regresi dikelompokkan menjadi dua bagian yaitu analisis regresi sederhana
(analisis regresi tunggal) dan analisis regresi ganda. Regresi sederhana dimaksudkan untuk
menganalisis hubungan antara satu variabel bebas (X) dengan satu variabel terikat (Y).
Regresi berganda digunakan untuk analisis hubungan dua atau lebih variabel bebas
(misalnya X1 dan X2) dengan satu variabel terikat (Y).

B. Regresi Linier Sederhana

Sebagaimana diketahui, banyaknya kejadian didunia ini yang merupakan kejadian
yang saling menyebabkan. Kejadian yang saling menyebabkan adalah suatu kejadian yang
keterjadiannya akan menyebabkan keterjadian kejadian yang lain. Contoh yang kongkrit
adalah penggunaan metode belajar think pair share meningkatkan hasil belajar siswa.
Untuk mencari suatu pengaruh variabel terhadap variabel lain, alat analisis yang kita
gunakan adalah analisis regresi. Hasil analisis regresi berupa persamaan regresi yang
merupakan fungsi prediksi suatu variabel dengan menggunakan variabel lain.
Model regresi linier sederhana merupakan persamaan yang menyatakan hubungan
antara satu variabel predictor (X) dan satu variabel respon (Y), yang biasanya digambarkan
dalam suatu garis lurus.

Persamaan regresi linier sederhana : Yˆ  a  bX

Keterangan: Yˆ  regresi (dibaca Y topi)

a = konstanta

b = koefisien regresi

Y = Variabel dependen/ variabel terikat/ variabel tak bebas (kejadian)

X = Variabel independen/ variabel bebas/ variabel predictor (penyebab)

Koefisien-koefisen regresi dapat dihitung dengan rumus:

( Yi )(  X i )  ( X i )(  X i Yi )
2

a
n X i  ( X i ) 2
2

n( X iYi ) ( X i )( Yi )

b
n X i  ( X i ) 2
2
 BAB III

METODOLOGI

Langkah-langkah Melakukan Analisis Regresi Sederhana

Langkah langkah yang ditempuh dalam melakukan analisis regresi sederhana adalah:

1. Membuat Tabel Belanja Statistik

2. Menghitung Jumlah Kuadrat (JK) dan Jumlah Produk (JP) dan Korelasi

3. Mencari Persamaan Garis Regresi

4. Mencari f Regresi dan Menguji Taraf Signifikansi

Untuk contoh akan dibahas tentang hubungan penguasaan Dasar Manajemen dengan
Keterampilan Manajerial.

X = Dasar Manajemen

Y = Keterampilan Manajerial

Data disajikan sebagai Berikut:

Penguasaan Dasar -
dasar Manajemen 72 78 69 80 75 75 86 69 77 69 65 70
(Xi)
Keterampilan
70 88 97 82 79 95 90 88 92 96 78 84
Manajerial (Yi)
Penyelesaian :

No Xi Yi Xi² Yi² XiYi

1 72 70 5,184 4,900 5,040
2 78 88 6,084 7,744 6,864
3 69 97 4,761 9,409 6,693
4 80 82 6,400 6,724 6,560
5 75 79 5,625 6,241 5,925
6 75 95 5,625 9,025 7,125
7 86 90 7,396 8,100 7,740
8 69 88 4,761 7,744 6,072
9 77 92 5,929 8,464 7,084
10 69 96 4,761 9,216 6,624
11 65 78 4,225 6,084 5,070
12 70 84 4,900 7,056 5,880
Jumlah (∑) 885 1,039 65,651 90,707 76,677
1. Membuat tabel belanja statistik

n 12
∑Xi 885
∑Xi² 65,651 ∑x² = 382,25

∑Yi 1,039
∑Yi² 90,707 ∑y² = 746,91 a = 76,7918
b = 0,1327
∑XiYi 76,677 ∑xy = 50,75 r = 0,0949

2. Mencari JK (Jumlah Kuadrat) dan JP (Jumlah Produk) dan Korelasi

Jumlah Kuadrat (JK):

( X i ) 2
(885) 2 783.225
JKx   x   X i   65.651 
 65.651   382,25
2 2

n 12 12
( Yi ) 2 (1.039) 2 1.079.521
JKy   y   Yi   90.707   90.707   746,91
2 2

n 12 12

Jumlah Produk (JP):

( X i )( Yi ) (885)(1.039) 919.515

JPxy   xy  X i Yi   76.677   76.677   50,75
n 12 12
Korelasi:

r
 xy 
50,75

50,75

50,75
 0,0949
( x )( y
2 2
) (382,25)(746,91) 285.506,34 534,3279

3. Mencari Persamaan Garis Regresi

( Yi )(  X i )  ( X i )(  X i Yi )
2
(1.039)(65.651)  (885)(76.677)
a 
n X i  ( X i ) (12)(65.651)  (885) 2
2 2

(68.211.389)  (67.859.145) 352.244

a   76,79
(787.812)  (783.225) 4.587
 n( X i Yi ) ( X i )( Yi ) (12)(76.677)  (885)(1.039)
b 
n  X i  ( X i ) (12)(65.651)  (885) 2
2 2

(920.124)  (919.515) 609

b   0,13
(787.812)  (783.225) 4.587

Persamaan garis regresinya adalah: Yˆ = a + bX

Yˆ = 76,79 + 0,13 X

4. Mencari F Regresi dan Menguji Taraf Signifikansi

Y  90.707
2
JK (total) = i

( Yi ) 2 (1.039) 2 1.079.521
JK (a) =    89.960,083
n 12 12


  X i  Yi   (885)(1.039) 
JK regresi  b X i Yi    0,1376.677    0,13(50,75)  6,7379

 n 
  12 
JK residu = JK (total) –JK (a) – JK regresi

= 90.707 – 89.960,083 – 6,7379

= 740,1791

dk regresi =m=1

dk residu = n – m – 1 = 12 – 1 – 1 = 10

JK regresi 6,73
RJK regresi    6,73
dkregresi 1

JK residu 740,17
RJK residu    74,01
dkresidu 10

Hipotesis diuji dengan uji F :

RJK regresi 6,73

F   0,09
RJK residu 74,01

dk pembilang 1 dan dk penyebut 10 maka F tabel (1,10) pada p = 0,05 atau F(1,10)(0,05) = 4,96
Berdasarkan data tersebut dapat disusun tabel rangkuman analisis regresi untuk persamaan
garis Yˆ  76,79  0,13 X sebagai berikut :

F tabel
Sumber Variasi dk JK RJK F hitung
p = 0,05
Regresi 1 6.73 6.7 0,09 4,96
Residu 10 740.17 74.01 - -
Total 11 746.9 - - -

Hipotesis:

Ho = Koefisien arah regresi tidak berarti

Ha = Koefisien arah regresi berarti

Dari hasil perhitungan ternyata Fh (0,09) < Ft (4,96)

Hasil pengujian : Ho diterima

Kesimpulan : Tidak terdapat hubungan yang signifikan antara Penguasaan Dasar-dasar

Manajemen dengan Keterampilan Manajerial pada taraf signifikansi 5
persen.
 BAB IV

HASIL DAN PEMBAHASAN

Soal!!!

Sisa Nilai
Negara Kertas Logam Kaca Plastik Makanan kalor
(%) (%) (%) (%) (%) (MJ/kg)
Amerika
Serikat 28,9 9,3 10,4 3,4 17,8 7,78
Australia 38 11 18 0,1 13 8,05
Austria 35 10 9 6 24 10,26
Bangladesh 2 1 9 1 40 2,9
Belanda 22,2 3,2 11,9 6,2 50 9,26
Belgia 30 5,3 8 5 40 9,78
Bulgaria 10 1,7 1,6 1,7 54 5,45
Burma 1 3 6 4 80 5,96
Cekoslowakia 13,4 6,2 6,6 4,2 41,8 6,38
Denmark 32,9 4,1 6,1 6,8 44 11,22
Filipina 17 2 5 4 43 7,06
Finlandia 55 5 6 6 20 13,9
Gabon 6 5 9 3 77 6,39
Hongkong 32 2 10 11 9 10,74
Jerman 20 5 10 2 21 5,72
India 3 1 8 1 36 2,88
Indonesia 10 2 1 6 72 8,01
Inggris 37 8 8 2 28 9,37
Italia 31 7 3 7 36 10,5
Jepang 21 5,7 3,9 6,2 50 9,03
Kenya 12,2 2,7 1,3 1 42,6 5
Kolombia 22 1 2 5 56 9,09
Perancis 30 4 4 1 30 7,76
Nigeria 15,5 4,5 2,5 2 51,5 6,49
Norwegia 38,2 2 7,5 6,5 30,4 11,4
Pakistan 2,2 2,2 1,75 1,2 52,5 3,68
Saudi Arabia 24 9 8 2 53 8,31
Selandia
Baru 28 6 7 0,1 48 8
Singapura 43 3 1 6 5 10,78
Spanyol 18 4 3 4 50 7,63
Srilanka 8 1 6 1 80 6,19
Swedia 50 7 8 8 15 13,41
Taiwan 8 1 3 2 25 3,62
Negara X 4 3 2,6 30 3,72
Jawab:

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -,012 ,017 -,699 ,491
Kertas (%) ,193 ,000 ,987 454,515 ,000
Logam (%) ,002 ,002 ,003 1,507 ,143
Kaca (%) ,000 ,001 ,000 -,239 ,813
Plastik (%) ,371 ,002 ,353 239,201 ,000
Sisa makanan ,054 ,000 ,382 221,584 ,000
a. Dependent Variable: Nilai kalor

Dari tabel di atas diperoleh informasi bahwa taksiran nilai parameter dari RLS dengan
hubungan X mempengaruhi Y adalah:

b0 = -0,012 ; b1 = 0,193 ; b2 = 0,002 ; b3 = 0,000 ; b4 = 0,371 ; b5 = 0,054

Sehingga, model taksiran regresi linier berganda adalah

Y = -0,012 + 0,193 X1 + 0,002 X2 + 0,000 X3 + 0,371 X4 + 0,054 X5

Maka, pengujian parameter β0 adalah

 H0 : β0 = 0 & H1 : β0 ≠ 0

Dari tabel diperoleh informasi bahwa:

nilai signifikansi (0,491) > α (0,05), maka H0 diterima, artinya nilai koefisien β0 untuk α = 5% tidak
terlalu mempengaruhi nilai taksiran dari Y dalam menganalisis RLS.

Pengujian parameter β1 adalah

 H0 : β1 = 0 & H1 : β1 ≠ 0

Dari tebel diperoleh informasi bahwa:

Nilai sigifikansi (0,000) < α (0,05), maka H0 ditolak, artinya nilai koefisien β1 ≠ 0 untuk α = 5%,
sangat mempengaruhi nilai taksiran dari Y dalam menganalisis RLS. Atau dengan kata lain nilai Y
dipengaruhi nilai parameter X1 (kertas). Sehingga dapat disimpulkan bahwa Y memiliki hubungan
linier terhadap X1.
Pengujian parameter β2 adalah

 H0 : β2 = 0 & H1 : β2 ≠ 0

Dari tabel diperoleh informasi bahwa:

Nilai signifikan (0,143) > α (0,05), maka H0 diterima, artinya nilai koefisien β2 untuk α = 5% tidak
terlalu mempengaruhi nilai taksiran dari Y dalam menganalisis RLS. Hal ini menunjukkan bahwa
nilai Y secara signifikansi tidak dipengaruhi oleh nilai parameter X2 (logam). Sehingga dapat
disimpulkan bahwa nilai Y tidak dipengaruhi oleh nilai parameter X2.

Pengujian parameter β3 adalah

 H0 : β3 = 0 & H1 : β3 ≠ 0

Dari tabel diperoleh informasi bahwa:

Nilai signifikan (0,813) > α (0,05), maka H0 diterima, artinya nilai koefisien β3 untuk α = 5% tidak
terlalu mempengaruhi nilai taksiran dari Y dalam menganalisis RLS. Hal ini menunjukkan bahwa
nilai Y secara signifikansi tidak dipengaruhi oleh nilai parameter X3 (kaca). Sehingga dapat
disimpulkan bahwa nilai Y tidak dipengaruhi oleh nilai parameter X3.

Pengujian parameter β4 adalah

 H0 : β4 = 0 & H1 : β4 ≠ 0

Dari tebel diperoleh informasi bahwa:

Nilai sigifikansi (0,000) < α (0,05), maka H0 ditolak, artinya nilai koefisien β4 ≠ 0 untuk α = 5%,
sangat mempengaruhi nilai taksiran dari Y dalam menganalisis RLS. Atau dengan kata lain nilai Y
dipengaruhi nilai parameter X4 (plastik). Sehingga dapat disimpulkan bahwa Y memiliki hubungan
linier terhadap X4.

Pengujian parameter β5 adalah

 H0 : β5 = 0 & H1 : β5 ≠ 0

Dari tebel diperoleh informasi bahwa:

Nilai sigifikansi (0,000) < α (0,05), maka H0 ditolak, artinya nilai koefisien β5 ≠ 0 untuk α = 5%,
sangat mempengaruhi nilai taksiran dari Y dalam menganalisis RLS. Atau dengan kata lain nilai Y
dipengaruhi nilai parameter X5 (sisa makanan). Sehingga dapat disimpulkan bahwa Y memiliki
hubungan linier terhadap X5.
UJI KELINIEARAN

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 248,283 5 49,657 136904,921 ,000b
Residual ,010 27 ,000
Total 248,292 32
a. Dependent Variable: Nilai kalor
b. Predictors: (Constant), Sisa makanan, Plastik (%), Kaca (%), Logam (%), Kertas (%)

 H0: Y tidak memiliki hubungan linier dengan X1, X2, X3, X4, X5
H1: Y memiliki hubungan linier dengan X1, X2, X3, X4, X5

Dari tabel didapat informasi bahwa:

Nilai signifikansi (0,000) < α (0,05), maka H0 ditolak, artinya untuk α = 5% nilai Y memiliki
hubungan linier dengan X1, X2, X3, X4, X5.

KUALITAS MODEL RLS

Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 1,000a 1,000 1,000 ,01904
a. Predictors: (Constant), Sisa makanan, Plastik (%), Kaca (%), Logam
(%), Kertas (%)

Dari tabel tersebut diperoleh informasi bahwa, nilai koefisien determinasi ( R square) = 100%. Nilai
tersebut menunjukkan bahwa 100% dari besarnya nilai kalor telah dapat dijelaskan oleh data kertas,
logam, kaca, plastik, dan sisa makanan. Hal itu berarti menunjukkan bahwa tidak ada hal lain yang
terlibat untuk mempengaruhi nilai kalor.
PENGUJIAN NILAI KORELASI

Correlations
Nilai kalor Kertas (%)
Spearman's rho Nilai kalor Correlation Coefficient 1,000 ,900**
Sig. (2-tailed) . ,000
N 34 34
Kertas (%) Correlation Coefficient ,900** 1,000
Sig. (2-tailed) ,000 .
N 34 34
**. Correlation is significant at the 0.01 level (2-tailed).

Dari tabel diatas diperoleh informasi bahwa nilai korelasi antara nilai kalor dengan kertas adalah
0,900. Artinya hubungan antara nilai kalor dengan kertas adalah sangat kuat dengan bentuk hubungan
yang selaras.

Correlations
Nilai kalor Logam (%)
Spearman's rho Nilai kalor Correlation Coefficient 1,000 ,440**
Sig. (2-tailed) . ,009
N 34 34
Logam (%) Correlation Coefficient ,440** 1,000
Sig. (2-tailed) ,009 .
N 34 34
**. Correlation is significant at the 0.01 level (2-tailed).

Dari tabel diatas diperoleh informasi bahwa nilai korelasi antara nilai kalor dengan logam adalah
0,440. Artinya hubungan antara nilai kalor dengan kertas adalah sedang, dengan bentuk hubungan
yang selaras.

Correlations
Nilai kalor Kaca (%)
Spearman's rho Nilai kalor Correlation Coefficient 1,000 ,154
Sig. (2-tailed) . ,394
N 34 33
Kaca (%) Correlation Coefficient ,154 1,000
Sig. (2-tailed) ,394 .
 N 33 33

Dari tabel diatas diperoleh informasi bahwa nilai korelasi antara nilai kalor dengan kaca adalah 0,154.
Artinya tidak terdapat hubungan antara nilai kalor dengan kaca.

Correlations
Nilai kalor Plastik (%)
Spearman's rho Nilai kalor Correlation Coefficient 1,000 ,729**
Sig. (2-tailed) . ,000
N 34 34
Plastik (%) Correlation Coefficient ,729** 1,000
Sig. (2-tailed) ,000 .
N 34 34
**. Correlation is significant at the 0.01 level (2-tailed).

Dari tabel diatas diperoleh informasi bahwa nilai korelasi antara nilai kalor dengan plastik adalah
0,729. Artinya hubungan antara nilai kalor dengan palstik adalah kuat dengan bentuk hubungan yang
selaras.

Correlations
Nilai kalor Sisa makanan
Spearman's rho Nilai kalor Correlation Coefficient 1,000 -,341*
Sig. (2-tailed) . ,048
N 34 34
Sisa makanan Correlation Coefficient -,341* 1,000
Sig. (2-tailed) ,048 .
N 34 34
*. Correlation is significant at the 0.05 level (2-tailed).

Dari tabel diatas diperoleh informasi bahwa nilai korelasi antara nilai kalor dengan sisa makanan
adalah -0,341. Artinya tidak terdapat hubungan antara nilai kalor dengan sisa makanan.
KONTRIBUSI DARI MASING MASING VARIABEL

Variabel bebas Nilai koefisien regresi Konstribusi (%)

Kertas 0,987 57,22
Logam 0,003 0,17
Kaca 0,000 0
Plastik 0,353 20,46
Sisa makanan 0,382 22,15
Total 1,725 100

Kontribusi terbesar terhadap variabel nilai kalor diberikan berturut-turut oleh varabel kertas
(57,22%),sisa makanan (22,15%),plastik (20,46%),logam (0,17%),kaca (0%).
 BAB V
KESIMPULAN
 Dari hasil yang sudah di dapat:
1. Kertas, plastik, dan sisa makanan mempengaruhi nilai kalor, dengan
demikian dapat diartikan kertas, plastik, serta sisa makanan dan nilai
kalor memiliki hubungan yang linier.
2. Logam dan kaca tidak mempengaruhi nilai kalor.
3. Dari hasil uji keliniearan didapat hasil yaitu, nilai kalor memiliki
hubungan kelinearan dengan parameter kertas, logam, kaca, plastik,
dan sisa makanan.
4. Kualitas model RLS dari nilai kalor didapat hasil yaitu, 100% dengan
demikian dapat diartikan bahwa besarnya nilai kalor dapat dijelaskan
oleh data dari kertas, loga, kaca, plastik, dan sisa makanan, serta
tidak ada faktor-faktor lain yang mempengaruhi kualitas nilai kalor.
5. Dari hasil uji korelasi didapatkan hasil secara berturut-turut
hubungan antara nilai kalor dengan kertas, logam, kaca, plastik, dan
sisa makanan yaitu, 0,900 (yang berarti hubungannya sangat kuat),
0,440 (yang berarti hubungannya sedang), 0,154 ( yang berarti tidak
hubungan), 0,729 ( yang berarti hubungannya kuat), dan -0,341 (
yang berarti tidak ada hubungan). Dari hasil tersebut dapat
disimpulkan bahwa hubungan yang paling erat ada pada nilai kalor
dengan kertas yang itu 0,900.
6. Dari hasil didapatkan kontribusi terbesar terhadap variabel nilai
kalor, disumbang oleh kertas (57,22%), kontribusi yang lainnya
disumbangkan oleh sisa makanan (22,15%), plastik (20,46%), logam
(0,17%), dan kaca (0%).
DAFTAR PUSTAKA

Hutami, Ridha & dkk. 2014. Analisis Regresi Liniear Sederhana. UNM: Medan.