MATA KULIAH

METODE ANALISIS KUANTITATIF

ANALISIS REGRESI LINIER SEDERHANA

OLEH KELOMPOK 3 :

I KOMANG DEDY JUNIARTHA 1517351005

AGUNG MADE AGUSTIAN 1517351020

GABRIELLA BRENDA CHRISTIE 1517351021

WAYAN ARYA KINANJALU PACUNG 1517301023

NI KOMANG GINA RAHAYU 1517351033

PROGRAM STUDI AGRIBISNIS

REGULER SORE FAKULTAS PERTANIAN

UNIVERSITAS UDAYANA

2018
 REGRESI SEDERHANA

7.1 Pengertian Regresi

Suatu alat statistika yang tujuannya membantu memperkirakan atau

memprediksi nilai suatu variable yang tidak terikat dari suatu atau beberapa
variabel yang bebes disebuat regresi. Analis regresi merupakan cabang dari
statistika teori yang banyak digunakan hampir disemua disiplin statistika. Dalam
bidang ekonomi misalnya sebagai dasar untuk memperkirakan hubungan antara
variabel ekonomi yaitu untuk mengembangkan teori ekonomi dengan kehidupan
ekonomi nyata. Misalnya, diketahui bahwa ada hubungan yang tepat antara harga
suatu barang (x) dengan jumlah barang yang diminta (y). apabila persamaan
regresinya sudah diketahui, maka dengan memasukan nilai variabel X pada
persamaan regresi maka nilai variabel Y bisa diperkirakan.

Dengan demikian analisis regresi akan membantu beberapa hal yang

penting, antara lain:

1) Untuk menaksir nilai dari suatu variabel tertentu berdasarkan suatu variabel
bebas. Unntuk tujuan ini dibuat persamaan garis regresi yang
menggambarkan rata-rata hubungan antara variabel X dan Y.
2) Tujuan kedua dari analisis regresi adalah untuk mengetahui tingkat
penyimpangan dari garis regresi. Apabila suatu data hampir selalu berdekatan
dengan garis regresinya atau penyimpangannya relatif kecil, maka perkiraan
yang baik terhadap Y akan dapat dibuat berdasarkan garis regresi tersebut.
Sebaliknya apabila penyimpangannya semakin besar, atau datanya terlalu
menyebar di sekitar garis regresinya, maka garis regresinya tersebut
menghasilkan penaksiran yang tidak bagus.
3) Untuk membantu analisis regresi juga dapat di peroleh derajat hubungan atau
korelasi yang terjadi antara dua variabel. Koefisien determinasi yang dihitung
dari tujuan mengukur derajat kekuatan hubungan yang terjadi antara variabel
tersebut.
7.2 Persamaan Regresi Sederhana
Persamaan regresi secara aljabar dinyatakan dalam garis regresi.
Persamaan regresi Y atas X adalah di pakai untuk menggambarkan variasi nilai
dari Y atas perubahan tertentu dari X. persamaan regresi Y atas X umumnya
dinyatakan dalam bentuk : Y = α + βXi +
Dari persamaan tersebut α disebut konstanta, β disebut koefisien regresi.
Koefisien juga disebut slope dari garis regresi. Ỷ di sebut taksiran dari Y yang
menyatakan nilai Y akan di ketahui apabila X tertentu di masukkan dalam
persamaan tersebut, sedanngkan 00 disebut komponen pengganggu atau eror trim
atau nilai variabel lain yang tidak ikut dimasukkan dalam model.

7.3 Penaksiran Persaam Regresi

Garis regresi persamaan Ỷ = α + βX dapat digunakan untuk mendekati

diagram pancar yang merupakan garis lurus, baik untuk data cross section maupun
untuk data berkala (time sieries). Untuk menyelesaikan persamaan tersebut
digunakan metode kuadrat terkecil sederhana atau “ordinary least squaere” yang
disingkat OLS dengan formula :

∑Yi = Nα + β∑ Xi

∑ XiYi = α∑Xi + β Xi²

Dari kedua persamaan tersebut dapat di sederhanakan :

𝑛∑𝑋𝑖𝑌𝑖−∑𝑋𝑖∑𝑌𝑖
𝛽= n∑X2 i−(∑Xi)2

Rumus diatas dapat disederhanakan menjadi :

∑xiyi
𝛽= ∑x

Untuk regresi sederhana (dua variabel) standar penyimpangan (standard error)

regresi dapat di hitung dengan rumus :

2
∑(𝑌 − Ỳ)
𝑆𝑦𝑥 = √
𝑛−2
 Ʃ 𝑌 2 − 𝛼Ʃ𝑌− 𝛽Ʃ𝑋𝑌
Atau 𝑆𝑦𝑥 = √ 𝑛−2

Ʃ 𝑒2
Atau 𝑆𝑦𝑥 = √𝑛−2

Ʃ𝑒𝑖 2 = Ʃ(𝑌 − Ŷ)2

∑𝑒𝑖 2 = ∑𝑦𝑖 2 − 𝛽 2 ∑xi2

Dimana ei disebut komponen residual atau error term

Berdasarkan hasil Syx dapat juga di hitung standar devisi dari kofisien regresi
dengan rumus :

𝑆𝑦𝑥
𝑆(𝛽) =
√∑𝑋𝑖2

𝛼 = 𝑌 − 𝛽𝑋

7.4 Koefisien Determinan dan Ukuran Kecocokan (goodness of fit)

Untuk tujuan itu koofisien atau determinasi atau 𝑟 2 (untuk kasus dua
variabel) dan 𝑅 2 (untuk regresi berganda) merupakan ihtisar yang mengatakan
seberapa baik garis regresi cocok dengan datanya. Koofiensi determinasi dapat
dihitung dengan rumus :

Ƹ (𝑌 ӯ)2 𝛽 2 Ƹ 𝑋𝑖2
𝑟 2 = I-Ƹ (𝑌1− ӯ)2 ......... (rumus A) atau 𝑟 2 = ............. (rumus B)
1− Ƹ𝑦 2

7.5 Aplikasi Program SPSS

 Buka program SPSS
 Buka file dengan perintah file – new, jika file baru dan open jika sudah
tersedia dalam bentuk word sheet SPSS
 Ketik data yang dikelompokkan menurut variabelnya
 Berikan nama pada variabel
 Analyze, pilih metode yang diinginkan
 Masukan variabel yang akan dianalisis sesuai dengan fungsinya, yaitu
variabel dependent (terkait) dan variabel independent (bebas)
  Klik ok untuk mengakhiri, karena menu lainnya belum diperlukan

7.6 Pengujian Hipotesis dalam regresi

Pengujian hipotesis dalam regresi dapat dilakukan dengan dua cara. Yang
pertama pengujian terhadap koefisiensi regresi dan yang kedua terhadap
persamaan regresinya atau model secara keseluruhan. Untuk menguji signifikan
variabel bebas terhadap variabel terkaitnya secara individual dikenal dengan uji t.
Jika variabel bebas lebih dari satu maka dikenal dengan pengujian persial. Yang
kedua adalah untuk menguji signifikansi secara serempak semua variabel bebas
terhadap variabel terkaitnya yang dikenal dengan uji F. Untuk regresi sederhana
karna hanya memiliki satu variabel bebas, maka cara kedua inimubazir karena
hasil uji F memberi kesimpulan yang sama dengan uji t, yaitu F = 𝑡 2 . Tetapi
apabila variabel bebanya lebih dari satu maka pengujian ini sangat penting.

Pengujian Koefisien Regresi

Menguji koefisien regresi sangat penting untuk meyakinkan kebenaran

atau kepalsuan hubungan antara variabel X dan Y. Hipotesis diformulasikan
dengan model yang dispesifikasikan.

Misalnya :

𝐻0 ∶ 𝛽 ≤ 0,5 atau 𝐻0 ∶ 𝛽 ≤ 0

𝐻1 ∶ 𝛽 > 0,5 𝐻1 ∶ 𝛽 > 0

Secara umum untuk menguji signifikansi variabel bebas terhadap variabel

terikat hipotesis yang dilibatkan termaksud variabel terikat.

Uji statistik dari koefisiensi regresi menggunakan rumus :

Ḃ−𝛽0
t= 𝑆𝛽
7.7 Perluasan Aplikasi Model Regresi
Beberapa aspek dari regresi linier dapat dengan mudah diaplikasikan
melalui kerangka kerja regresi linier dua variabel, yang pada prinsipnya
membahas model yang berkaitan dengan mengukur perubahan Y sebagai akibat
dari perubahan X. beberapa perluasan aplikasi model non linier diuraikan sbb:
7.7.1 Model Double Log
Model ini disebut juga log linier atau model dengan elastisitas konstan.
Modelnya adalah sebagai berikut:
𝑌𝑖 =𝑎𝑋 𝛽 𝑒 𝜇
𝑖

Model ini bisa ditransformasikan seperti:

𝐼𝑛 𝑌𝑖 = 𝐼𝑛 𝛼 + 𝛽 𝐼𝑛 𝑋𝑖 + 𝜇
Transformasi model double log dapat digambarkan akan sebagi berikut:
Y Ln Y

𝑌_𝑖 = 𝛼𝑋ƒ𝑒 𝜇 𝐼𝑛 𝑌𝑖 = 𝐼𝑛 𝛼 + 𝛽 𝐼𝑛 𝑋𝑖 + 𝜇

0 0
X Ln X

Dalam model double log koefisien regresi mengukur perubahan relatif dari Y
sebagai akibat dari perubahan relatif dari X, yaitu:
% 𝑃𝑒𝑟𝑢𝑏𝑎ℎ𝑎𝑛 𝑟𝑒𝑙𝑎𝑡𝑖𝑓 𝑌 % 𝑝𝑒𝑟𝑢𝑏𝑎ℎ𝑎𝑛 𝑌
𝐵= atau 𝛽=
% 𝑃𝑒𝑟𝑢𝑏𝑎ℎ𝑎𝑛 𝑟𝑒𝑙𝑎𝑡𝑖𝑓 𝑋 % 𝑝𝑒𝑟𝑢𝑏𝑎ℎ𝑎𝑛 𝑋

Model double log banyak digunakan dalam analisis ekonomi, seperti untuk
fungsi produksi, fungsi ongkos, fungsi keuntungan dan lain sebagainya, yang
mana secara teoritis bentuknya adalah non linier. Model ini juga disebut
exponential regression, log-log, log-linier, atau constant elasticity models.
7.7.2 Model Semilog
Model semi log adalah transformasi logaritma pada variabel terikat atau
pada variabel bebas. Bentuknya ada dua macam, yaitu
a) Log lin, dimana variabel terikatnya yang logaritma, seperti:
𝐼𝑛 𝑌𝑖 = 𝛼 + 𝛽 𝐼𝑛 𝑋𝐼 + 𝜇
Model analisisnya adalah berbentuk
 𝑌𝑖 = 𝛼 + 𝛽 𝑋𝑖 + 𝜇
Dalam model log lin, koefisien regresi mengukur perubahan relative
dari Y sebagai akibat dari perubahan absolut dari X, yaitu:
𝑃𝑒𝑟𝑢𝑏𝑎ℎ𝑎𝑛 𝑟𝑒𝑙𝑎𝑡𝑖𝑓 𝑑𝑎𝑟𝑖 𝑌
𝐵=
𝑃𝑒𝑟𝑢𝑏𝑎ℎ𝑎𝑛 𝑟𝑒𝑙𝑎𝑡𝑖𝑓 𝑑𝑎𝑟𝑖 𝑋
Model lin log umumnya digunakan untuk model pertumbuhan
konstan (measurement growth model), dimana variabel bebasnya
umumnya linier, seperti waktu dan lain sebagainya yang mengalai
pertambahan yang tatap. Kalua digambarkan akan tampak sebagai
berikut:

Y LnY 𝐼𝑛 𝑌𝐼 = 𝛼 + 𝛽 𝑋𝐼 + 𝜇
𝑌𝐼 = 𝛼 + 𝛽 𝑋𝐼 + 𝜇

0 0
X X

b) Lin log, dimana variabel bebasnya yang logaritma, seperti model:

𝑌𝑖 = 𝛼 + 𝛽 𝐼𝑛 𝑋𝐼 + 𝜇
Dalam model lin log koefisien regresi mengukur perubahan absolut
dari Y sebagai akibat dari perubahan relative dari X, yaitu:
% 𝑝𝑒𝑟𝑢𝑏𝑎ℎ𝑎𝑛 𝑎𝑏𝑠𝑜𝑙𝑢𝑡 𝑌
𝛽=
% 𝑝𝑒𝑟𝑢𝑏𝑎ℎ𝑎𝑛 𝑟𝑒𝑙𝑎𝑡𝑖𝑓 𝑋
Model ini cocok dipakai untuk menganalisis suatu perubahan
proporsional tertentu pada variabel X mengakibatkan perubahan mutlak
dari variabel Y.
Dalam menginterpretasikan koefisien regresi model lin-log,
berlawanan dengan model log-lin. Pada regresi dengan model lin-log
koefisien regresinya dibagi 100, sedangkan pada model log-lin,
koefisien regresinya dikalikan 100.
 7.7.3 Model Transformasi Timbal Balik (Reciprocal Model)

Model ini biasnya digunakan untuk menganalisis suatu data yang menurun
secara non linier mendekati titik nol pada saat X meningkat secara tak terbatas.
Dapat ditulis persamaan regresinya sebagai berikut:

1
𝑌𝑖 = 𝛼 + 𝛽 ( ) + 𝜇
𝑋

Model ini menunjukkan bahwa dengan meningkatkan X tidak terbatas,

maka akan tetap mendekati nol, tetapi tidak nol. Koefisien regresi pada
persamaan tersebut merupakan koefisien elastisitas yang menunjukkan rasio
perubahan Y sebagai akibat perubahan X.

7.8 Prinsip Pemulihan Model Terbaik:

Dari suatu rangkaian data dapat dibuat beberapa model regresi. Pemilihan
model terbaik yang digunakan harus diperhatikan sebagai berikut:
1. Teori yang mendasari.
2. Sesuai dengan sebaran data yang dilihat dari scater diagram
3. Lolos dari pengujian statistic
4. Memiliki standar error yang terkecil
5. Memiliki F hitung yang terbesar
6. Memiliki R2 yang terbesar
7. Memiliki Maximum Likelihood (ML) yang terbesar
 DAFTAR PUSTAKA

Suyana, Utama Made, 2016. Aplikasi Analisis Kuantitatif Untuk Ekonomi dan
Bisnis, Denpasar : CV Sastra Utama
COVER BUKU