MATERI II

REGRESI LINIER

2.1 Regresi Linear Sederhana

Dalam beberapa masalah terdapat dua atau lebih variabel yang
hubungannya tidak dapat dipisahkan, dan hal tersebut biasanya diselidiki sifat
hubungannya. Analisis regresi adalah sebuah teknik statistik untuk membuat
model dan menyelidiki hubungan antara dua variabel atau lebih. Salah satu tujuan
dari analisis regresi adalah menentukan model regresi yang baik, sehingga dapat
digunakan untuk menerangkan dan memprediksi hal-hal yang berhubungan
dengan variabel-variabel yang terlibat di dalam model (Widianingsih, 2008).
Analisis regresi merupakan alat analisis statistik yang berguna untuk
mengetahui pengaruh variabel bebas terhadap variabel terikatnya. Pengaruh ini
diwujudkan dari besarnya nilai pengaruh dalam bentuk persentase (Irianto, 2009).
Model linear sederhana ditujukan untuk mempermudah pemahaman
konsep regresi, karena model inilah yang paling sederhana dibanding dengan
model-model lainnya. Tanpa mempelajari model linier sederhana memungkinkan
terlalu sukar mendalami dan memahami model-model lainnya (Irianto, 2009).
Bentuk paling sederhana dari model regresi sering disebut dengan Regresi
Linear Sederhana yaitu hubungan antara satu variabel tak bebas dan satu variabel
bebas. Bentuk hubungannya dapat dilihat dalam persamaan
Y  0  1 X1   i , i  1, 2,..., n (2.1)
Persamaan diatas menyatakan bahwa rata-rata Y berkaitan linear dengan X. 𝛽0 dan
𝛽1 adalah parameter yang akan diduga nilainya dan 𝜀 adalah gangguan
(disturbance) yang akan ikut mempengaruhi nilai Y, tetapi diabaikan dalam
model. Rumus yang dapat digunakan untuk mencari 𝛽0 dan 𝛽1 adalah:
n n n
n X iYi  ( X 1 )( Y1 )
1  i 1
n
i 1
n
i 1
(2.2)
n X  ( X i )
i
2 2

i 1 i 1

 0  Y  1 X (2.3)

Rahmawati & Dicky Adetya Arjun 7

Keterangan:
Y : Variabel terikat (Dependent Variable)
X : Variabel bebas (Independent Variable)
n : Jumlah Sampel
(Sembiring, 2003).
Dalam persoalan penelitian yang menggunakan analisis regresi pada
umumnya memerlukan lebih dari satu variabel bebas dalam model regresinya.
Oleh karena itu, model sederhana tidak bisa dipakai, sehingga diperlukan model
regresi yang mempunyai lebih dari satu variabel bebas yang disebut model regresi
linear berganda (Widianingsih, 2008).

2.2 Regresi Linear Berganda

Regresi linier berganda adalah analisis regresi yang menjelaskan hubungan
antara peubah respon (variabel dependen) dengan faktor-faktor yang
mempengaruhi lebih dari satu prediktor (variabel independen). Regresi linier
berganda hampir sama dengan regresi linier sederhana, hanya saja pada regresi
linier berganda variabel bebasnya lebih dari satu variabel penduga. Tujuan dari
analisis regresi linier berganda adalah untuk mengukur intensitas hubungan antara
dua variabel atau lebih dan membuat prediksi perkiraaan nilai Y dan X.
Pada prinsipnya persamaan regresi linier berganda adalah sama dengan
persamaan pada regresi linier sederhana, yang membedakan adalah pada
persamaan regresi linier berganda jumlah variabel X lebih dari satu. Berikut
adalah beberapa contoh persamaan regresi linier berganda :
1. Persamaan regresi untuk dua prediktor adalah :
𝑌̂ = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 (2.4)
2. Persamaan regresi untuk tiga prediktor adalah :
𝑌̂ = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 (2.5)
3. Persamaan regresi untuk n predictor adalah :
𝑌̂ = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑛 𝑋𝑛 (2.6)
(Santoso, 2014)

Rahmawati & Dicky Adetya Arjun 8

2.3 Contoh Kasus Regresi Linear Sederhana
Di sebuah Universitas, Fakultas Matematika dan Ilmu pengetahuan Alam
dilakukan penelitian mengenai hubungan antara tinggi badan dan berat badan
mahasiswa program studi Statistika. Dari 26 mahasiswa diketahui data sebagai
berikut:
Nama Tinggi Berat
Rizky 162 48.0
Ayu 158 46.3
Widia 170 58.1
Nadya 167 53.2
Pratiwi 159 46.8
Rahma 160 47.0
Latipah 170 63.2
Kristin 163 52.7
Katianda 164 59.2
Agus 158 47.1
Setiawan 164 58.4
Dwi 158 46.5
Ronaldy 156 46.0
Budi 161 58.3
Alifta 163 50.7
Wianita 160 50.6
Grassella 168 60.3
Icha Y 159 47.0
Hesty 156 46.9
Mega 162 49.7
Rita 159 46.9
Ella 164 56.1
Herna 167 58.0
Ibnu 158 47.0

Rahmawati & Dicky Adetya Arjun 9

 Nama Tinggi Berat
Darmawan 163 56.0
Hafiz 160 49.8

2.3.1 Penyelesaian
1) Uji Simultan (Uji F)
Tabel 2.1 ANOVA
Model Regresi
P-Value 0,000

Hipotesis
H0 : Model regresi belum tepat digunakan
H1 : Model regresi sudah tepat digunakan
Taraf signifikansi
α = 0,05
Daerah Kritis
Tolak H0 apabila P-value < α
Keputusan
Karena P-value (0.000) < α (0,05), maka diputuskan menolak H0
Kesimpulan
Model regresi sudah tepat digunakan

2) Uji Parsial (Uji T)

Tabel 2.2 Coefficients
Model P-Value
Berat terhadap Tinggi 0,000

Hipotesis
H0 : Tidak ada pengaruh berat badan terhadap tinggi badan mahasiswa
H1 : Ada pengaruh berat badan terhadap tinggi badan mahasiswa

Rahmawati & Dicky Adetya Arjun 10

Taraf signifikansi
α = 0,05
Daerah Kritis
Tolak H0 apabila P-value < α
Keputusan
Karena P-value (0.000) < α (0,05), maka diputuskan menolak H0
Kesimpulan
Ada pengaruh berat badan terhadap tinggi badan mahasiswa

3) Estimasi Model
Tabel 2.3 Estimasi Model
Unstandardized Coefficients
Konstanta 128,925
Berat 0,635
Yˆ  128,925  0, 635 X

Konstanta sebesar 128,925 menyatakan bahwa jika tidak ada berat badan maka
tinggi badan sebesar 128,925. Koefisien regresi sebesar 0,635 menyatakan bahwa
setiap penambahan 1 kg berat badan maka akan menigkatkan tinggi badan sebesar
0,635 cm.

2.3.2 Latihan Soal Regresi Linear Sederhana

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. Berikut ini adalah data yang
berhasil dikumpulkan selama 30 hari (berbentuk tabel) :

Rahmawati & Dicky Adetya Arjun 11

 Tanggal Rata-rata Suhu Ruangan Jumlah Cacat

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

Rahmawati & Dicky Adetya Arjun 12

 Tanggal Rata-rata Suhu Ruangan Jumlah Cacat

25 22 7

26 21 5

27 26 12

28 25 11

29 26 13

30 27 14

2.4 Contoh Kasus Regresi Linear Berganda

Seorang manajer pemasaran deterjen merek “X” ingin mengetahui apakah
promosi dan harga berpengaruh terhadap keputusan konsumen membeli produk
tersebut. Data terlampir sebagai berikut :
Promosi Harga Keputusan Konsumen
Responden
(X1) (X2) (Y)
1 10 7 23
2 2 3 7
3 4 2 15
4 6 4 17
5 8 6 23
6 7 5 22
7 4 3 10
8 6 3 14
9 7 4 20
10 6 3 19

Rahmawati & Dicky Adetya Arjun 13

2.4.1 Penyelesaian
>library(zoo)
>library(lmtest)
>library(MASS)
>library(car)
>library(tree)
>konsumen<-c(23,7,15,17,23,22,10,14,20,19)
>promosi<-c(10,2,4,6,8,7,4,6,7,6)
>harga<-c(7,3,2,4,6,5,3,3,4,3)
>data=data.frame(konsumen,promosi,harga)
>model=(lm(formula=konsumen~promosi+harga,data=
data))
>summary(model)

1. Interpretasikan Output
1) Koefisien Determinasi
Tabel 2.4 Multiple R-Squared
Model Multiple R-Squared
Konsumen~Promosi+Harga 0,8364
Interpretasi :
Berdasarkan Tabel 2.4 diatas diperoleh nilai koefisien determinasi
(Multiple R-Squared) sebesar 0,8364. Hal ini menunjukkan bahwa variasi
keputusan konsumen dipengaruhi oleh promosi dan harga sebesar 83,64 %
dan sisanya 16,36 % dipengaruhi oleh faktor lain yang tidak diketahui.
2) Uji Simultan
Tabel 2.5 ANOVA
Model Regresi
P-Value 0,001769
Hipotesis
H0 :Model regresi belum tepat digunakan
H1 :Model regresi sudah tepat digunakan

Rahmawati & Dicky Adetya Arjun 14

 Taraf signifikansi
α = 5%
Daerah Kritis
Tolak H0 jika p-value <α
Keputusan
Karena nilai p-value (0,001769) < α (0,05) maka diputuskan tolak
H0
Kesimpulan
Model regresi sudah tepat digunakan

3) Uji Parsial (Uji T)

Tabel 2.6 Coefficients
Model P-Value
Promosi Terhadap Konsumen 0,00942
Harga Terhadap Konsumen 0,66021

Promosi Terhadap Konsumen

Hipotesis
H0 : Tidak terdapat pengaruh promosi terhadap keputusan
konsumen
H1 :Terdapat pengaruh promosi terhadap keputusan konsumen
Taraf signifikansi
α = 5%
Daerah Kritis
Tolak H0 jika p-value <α
Keputusan
Karena nilai p-value (0,00942) < α (0,05) maka diputuskan tolak
H0
Kesimpulan
Terdapat pengaruh promosi terhadap keputusan konsumen

Rahmawati & Dicky Adetya Arjun 15

 Harga Terhadap Konsumen
Hipotesis
H0 : Tidak terdapat pengaruh harga terhadap keputusan konsumen
H1 : Terdapat pengaruh harga terhadap keputusan konsumen
Taraf signifikansi
α = 5%
Daerah Kritis
Tolak H0 jika p-value <α
Keputusan
Karena nilai p-value (0,66021) < α (0,05) maka diputuskan tolak
H0
Kesimpulan
Tidak terdapat pengaruh harga terhadap keputusan konsumen

4) Estimasi Model
𝑌̂ = 3,9187 + 2,4912𝑋1 + (−0,4664)𝑋2
= 3,9187 + 2,4912𝑋1 − 0,4664𝑋2
Interpretasi model :
Dari model diatas diperoleh koefisien promosi sebesar 2,4912 yang berarti
jika terdapat penambahan 1 nilai promosi akan menambah keputusan konsumen
sebesar 2,4912. Koefisien harga sebesar -0,4664 yang berarti jika terdapat
penambahan 1 nilai harga akan mengurangi keputusan konsumen sebesar
0,4664. Sedangkan konstanta sebesar 3,9187 menunjukkan bahwa jika tidak ada
variabel bebas dalam model yang berpengaruh maka keputusan konsumen
adalah sebesar 3,9187

2.4.2 Latihan Soal Regresi Linear Berganda

Seorang peneliti ingin mengetahui apakah terdapat pengaruh jumlah anak
tidak bersekolah dibawah usia 15 tahun di kota medan dengan data sebagai
berikut:

Rahmawati & Dicky Adetya Arjun 16

 Nama
No Y X1 X2 X3 X4
Kecamatan
1 Tuntungan 150 2547 36 9 14,99
2 Johor 234 5017 47 30 21,34
3 Amplas 96 3711 38 1 41,43
4 Denai 293 5643 69 10 21,18
5 Area 96 2267 41 10 24,92
6 Kota 68 2142 40 1 31,66
7 Maimun 92 1926 22 8 21,05
8 Polonia 128 2048 16 9 16,78
9 Baru 18 566 24 0 30,00
10 Selayang 143 2784 28 13 17,17
11 Sunggal 376 3650 40 19 9,31
12 Helvetia 227 4015 52 27 17,41
13 Petisah 57 1473 22 12 24,30
14 Barat 202 2377 27 4 11,39
15 Timur 135 3571 43 8 23,17
16 Perjuangan 140 3649 32 6 25,79
17 Tembung 249 4529 41 20 19,04
18 Deli 464 6821 51 77 15,47
19 Labuhan 643 6512 46 16 10,28
20 Marelan 685 7707 49 38 11,53
21 Belawan 946 9201 41 53 10,48
Ket:
Y = Jumlah anak tidak bersekolah (ATB) dibawah usia 15 tahun
X1 = Jumlah status kesejahteraan
X2 = Jumlah sekolah SD
X3 = Jumlah anak bekerja dibawah usia 15 tahun
X4 = Rasio anak bersekolah dangan ATB dibawah usia 15 tahun

Rahmawati & Dicky Adetya Arjun 17