PENDAHULUAN
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 linear.
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 antara tinggi anak
dan tinggi orangtuanya. Dalam penelitiannya, Galton menemukan bahwa tinggi anak
dan tinggi orang tuanya cenderung meningkat atau menurun dari berat rata-rata
Analisis regresi lebih akurat dalam melakukan analisis korelasi, karena pada
analisis itu kesulitan dalam menunjukkan slop (tingkat perubahan suatu variable
terhadap variabel lainnya dapat ditentukan). Jadi dengan analisis regresi, peramala n
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
1
2
yang dapat penyusun rumuskan dan akan dibahas dalam makalah ini adalah :
1. Definisi regresi
2. Persamaan egresi
3. Analisis regresi
dan mengetahui seberapa besar pengaruh suatu kejadian dengan lingkungan sekitar,
atau yang kita kenal dengan istilah regresi. Seperti yang kita ketahui, bahwa suatu
kejadian/fenomena pasti mempunyai keterkaitan satu sama lain dan pengaruh bagi
lingkungan sekitar. Tapi tidak semua kejadian bisa dikaitkan dengan yang lain,
tergantung unsur- unsur atau kriteria-kriteria apa saja yang mempunyai keterkaitan
2. Mengetahui pengaruh suatu variabel terhadap variabel lain dalam analisis regresi;
Regresi merupakan suatu alat ukur yang digunakan untuk mengukur ada atau
tidaknya hubungan antar variabel. Dalam analisis regresi, suatu persamaan regresi
variabel apakah ada hubungan antara 2 variabel atau lebih. Hubungan yang didapat
regresi pertama kali diperkenalkan oleh seorang ahli yang bernama Fancis Galton
pada tahun 1886. Menurut Galton, analisis regresi berkenaan dengan studi
ketergantungan dari suatu variabel yang disebut variabel tak bebas (dependent
variable), pada satu atau lebih variabel yang menerangkan dengan tujuan untuk
memperkirakan ataupun meramalkan nilai- nilai dari variabel tak bebas, apabila nilai
3
4
antara satu atau beberapa variabel yang nilainya sudah diketahui, dengan satu
sebab akibat (causal relationship). Oleh karena itu, sebelum menggunakan persamaan
regresi dalam mejelaskan hubungan antara dua atau lebih variabel, maka perlu
diyakini terlebih dahulu bahwa secara teoritis atau perkiraan sebelumnya, dua atau
lebih variabel tersebut memiliki hubungan sebab akibat. Variabel yang nilainya akan
variabel), sedangkan variabel yang nilainya dipengaruhi oleh nilai variabel lain
hubunan matematis dalam bentuk persamaan antara variabel tak bebas dengan
variabel bebas tunggal. Dalam regresi linier sederhana hanya ada satu variabel bebas
x yang dihubungkan dengan satu variabel tak bebas y. Persamaan umum regresi
Tujuan analisis regresi adalah mendapatkan pola hubungan secara matematis antara X
jika nilai X diketahui. Sehingga dalam suatu persamaan regresi terdapat dua macam
variabel, yaitu dependent variabel (variabel terikat, respon) dan independent variabel
Prinsip dasar yang harus dipenuhi dalam membangun suatu persamaan regresi
adalah bahwa antara dependent variabel dengan independent variabel memiliki sifat
hubungan sebab akibat, baik yang didasarkan pada teori, hasil penelitian sebelumnya,
ataupun yang didasarkan pada penjelasan logis tertentu. Syarat-syarat regresi antara
lain data harus berbentuk interval atau rasio, data berdistribusi normal, adanya
regresi ganda. Berdasarkan banyak dan jenisnya data, analisis regresi dapat dibedakan
atas :
1. Regresi linier, yaitu regresi yang membuat diagram pencar membentuk garis
lurus. Regresi linier terdiri atas regresi linier sederhana (1 variabel bebas) dan
5
6
2. Regresi non linier, regresi yang membuat diagram pencar tidak membentuk garis
Berikut akan penyusun berikan contoh kasus untuk menganalisis regresi linier
̅ = a + bX
𝐘
Keterangan:
̅
Y = Respon (variabel terikat)
a = Constanta
Di mana :
Berikut ini adalah contoh data 10 responden yang berasal dari mahasiswa, untuk
Minat (X) 18 16 20 18 14 15 16 18 17 15
Matakuliah
21 18 23 21 16 20 21 17 19 17
Data Mining (Y)
7
No. X Y XY X2 Y2
1. 18 21 378 324 441
2. 16 18 288 256 324
3. 20 23 460 400 529
4. 18 21 378 324 441
5. 14 16 224 196 256
6. 15 20 300 225 400
7. 16 21 336 256 441
8. 18 17 306 324 289
9. 17 19 323 289 361
10. 15 17 255 225 289
Ʃ 167 193 3248 2819 3771
32480 − 32231
𝑏=
28190 − 27889
249
𝑏=
301
𝑏 = 0,8272425 ~ 0,827
8
∑ 𝑌 − 𝑏(∑ 𝑋)
𝑎=
𝑛
193 − 0,8272425(167)
𝑎=
10
193 − 138,1494975
𝑎=
10
54,8505025
𝑎=
10
𝑎 = 5,48505025 ~ 5,485
̅
Y = a + bX
̅ = 5,485 + 0,827X
Y
𝑁 ∑ 𝑋𝑌 − ∑ 𝑋 ∑ 𝑌
𝑅=
√(𝑁 ∑ 𝑋 2 − (∑ 𝑋 )2 )(𝑁 ∑ 𝑌 2 − (∑ 𝑌)2 )
32480 − 32231
𝑅=
√(28190 − 27889)(37710 − 37249)
249
𝑅=
√(301)(461)
249
𝑅=
√138761
249
𝑅=
372,5063758
𝑅 = 0,6684449
9
𝑅 2 (𝑛 − 𝑚 − 1)
𝐹=
𝑚(1 − 𝑅 2 )
0,66844492 (10 − 1 − 1)
𝐹=
1(1 − 0,66844492 )
0,4468186 × 8
𝐹=
1(1 − 0,4468186)
3,5745490
𝐹=
0,5531814
𝐹 = 6,4618030 ~ 6,462
variabel bebas)
h. Langkah 8 : Interpretasi
𝑑𝑏 = 𝑛 − 𝑚 − 1
𝑑𝑏 = 10 − 1 − 1
𝑑𝑏 = 8
i. Langkah 9 : Kesimpulan
data view
→ ok
d. Hasil :
Regression
Model Summary
Penjelasan :
f) 1 : Korelasi sempurna
semakin baik.
ANOVAb
Sum of
Model df Mean Square F Sig.
Squares
1 Regression 20.598 1 20.598 6.462 .035 a
Residual 25.502 8 3.188
Total 46.100 9
a. Predictors: (Constant), X_Minat
b. Dependent Variable: Y_Matakuliah
Penjelasan :
Nilai uji F atau nilai signifikansi (Sig.) sebesar 0,035 < kriteria signifikansi
Coefficients a
Unstandardized Standardized
Model Coefficients Coefficients t Sig.
B Std. Error Beta
1 (Constant) 5.485 5.464 1.004 .345
X_Minat .827 .325 .668 2.542 .035
a. Dependent Variable: Y_Matakuliah
Penjelasan :
̅ = 5,485 +
dan koefisien variabel, diperoleh model persamaan regresi : Y
0,827 X_Minat
Grafik
BAB IV
KESIMPULAN
4.1. Kesimpulan
3. Berdasarkan banyak dan jenisnya data, analisis regresi dapat dibedakan atas:
4. ̅ = a + bX
Persamaan regresi linier sederhana secara umum yaitu: 𝐘
5. Penghitungan analisis regresi bisa diselesaikan dengan cara manual, tetapi lebih
4.2. Saran
Analisa regresi linier sederhana dapat dihitung dengan cara manual, tetapi
memperkecil resiko kesalahan dalam mengolah data, analisa regresi linier sederhana
dapat dihitung menggunakan program aplikasi SPSS. Data yang diolah menggunakan
13
14
program aplikasi SPSS, dapat dijadikan pembanding dari hasil pengolahan data
analisis secara manual. Dalam hal ini, disarankan untuk pengolahan data dibuat