REGRESI LINEAR SEDERHANA PADA R

Disusun oleh :

1. Arisho Dewi Nur Rosyid (H02217003)

2. Nur Laily Maulidiyah (H72217057)

PROGRAM STUDI MATEMATIKA

JURUSAN SAINS

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS NEGERI ISLAM SUNAN AMPEL SURABAYA

2019
A. REGRESI SEDERHANA
Regresi atau peramaln adalah suatu proses memperkirakan secara sistematis
tentang apa yang paling mungkin terjadi dimasa yang akn datang berdasarkan informasi
masa lalu dang sekarang yang dimiliki agar kesalahannya dapt diperkecil. Regresi dapat
juga diartikan sebagai usaha memperkirakan perubahan. Supaya tidak salah paham
bahwa peramalan tidak memberikan jawaban pasti tentang apa yang akan terjadi,
melainkan berusaha mencari pendekatan apa yang terjadi. Jadi, regresi mengemukakan
tentang keingintahuan apa yang terjadi dimasa depan untuk memberikan konstribusi
menentukan keputusan yang terbaik.
Keingintahuan dimasa depan sejak dulu merupakan bahasan yang menarik dan
penting. Beberapa nama besar seperti joyoboyo (raja Kediri kuno) dan Ronggo Wasito
(pujangga kerajaan Surakarta) mendapat tempat terhormat di masyarakat jawa karena
akurasi ramalannya. Demikian juga dengan Alfin Toffler ( future Shock, 1970 dan The
Third Wave, 1980), John Naisbitt ( Megatrends 2000) dan Michael porter (Competitive
Adfantage of Nation) mereka menjadi terkenal dan kaya atas hasil karyanya tentang
pemikiran masa depan. Sampai saat ini semua organisasi memerlukan pemikiran masa
depan untuk membantu menentukan keputusan yang terbaik.
Kegunaan regresi dalam penelitian salah satunya adalah untuk meramalkan atau
memprediksi variabel terikat (Y) apabila variabel bebas (X) deketahui. Regresi
sederhana dapat dianalisis karena didasari oleh hubungan fungsional atau hubungan
sebab akibat (kausal) variabel bebas (X) terhadap variabel terikat (Y). Karena ada
perbedaan yang mendasar dari analisis korelasi dan analisis regresi. Pada dasarnya
analisis regresi dan analisi korelasi keduanya punya hubungan yang sangat kuat dan
mempunyai keeratan. Setiap analisis regresi otomatis ada analisi korelasinya, tetapi
sebaliknya analisis korelasi belum tentu diuji regresi atau diteruskan dengan analisis
regresi.

Analisis kerelasi yang tidak dilanjutkan dengan analisis regresi adalah analisis
korelasi yang kedua variabelnya tidak mempunyai hubungan fungsional dan sebab
akibat. Apabila peneliti mengetahui hal ini lebih lanjut, maka perlu konsep dan teori
yang mendasari kedua variabel tersebut.
 Persamaan regresi dirumuskan : Yˆ = a + bX

Dimana :

Y = (baca Y topi) subjek fariabel terikat yang di proyeksikan

X = Variabel bebas mempunyai nilai tertentu untuk diprediksikan

a = Nilai konstanta harga Y jika X = 0

b = Nilai arah sebagai penentu ramalan (prediksi) yang menunjukkan nilai peningkatan

(+) atau nilai penurunan (-) variabel Y

n  XY   X  Y Y  b  X
b a=
n  X 2  ( X ) 2 n

B. Simulasi
1. Contoh Kasus
Berikut akan penyusun berikan contoh kasus untuk menganalisis regresi linier
sederhana. Persamaan regresi linier sederhana secara umum yaitu:
Ŷ = 𝑎 + 𝑏𝑋
Keterangan:
Y̅ = Respon (variabel terikat)
a = Constanta
b = Koefisien regresi variabel terikat
X = Prediktor (variabel bebas)
Di mana :
𝑛(∑ 𝑋𝑌)−(∑ 𝑋)(∑ 𝑌) ∑ 𝑌 − 𝑏(∑ 𝑋)
𝑏= 𝑎=
𝑛(∑ 𝑋 2 )−(∑ 𝑋)2 𝑛

Berikut ini adalah contoh data 10 responden yang berasal dari mahasiswa, untuk
mengetahui pengaruh minat mahasiswa terhadap matakuliah data mining.

Minat 18 16 20 18 14 15 16 18 17 15
Mata Kuliah 21 18 23 21 16 20 21 17 19 17
2. Perhitungan Manual
a) Tahap 1
Menyusun Ha dan H0
Ha = Terdapat pengaruh yang signifikan
 H0 = Tidak terdapat pengaruh yang signifikan
b) Tahap 2
Membuat tabel distribusi frekuensi

No. X Y XY X^2 Y^2

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
167 193 3248 2819 3771

c) Tahap 3
Mencari nilai b
𝑛(∑ 𝑋𝑌) − (∑ 𝑋)( ∑ 𝑌)
𝑏=
𝑛(∑ 𝑋 2 ) − ( ∑ 𝑋)2
10(3248) − 167 ∗ 193
𝑏=
10(2819) − 1672
349
𝑏=
301
𝑏 = 0,8272425 ~ 0,827
d) Tahap 4
Menghitung nilai 𝛼
∑ 𝑌 − 𝑏1 ∑ 𝑋
𝛼=
𝑛
193 − 0,8272425 (167)
=
110
= 5,48505025 ~ 5,485
e) Tahap 5
Menentukan persamaan regresi
 Y̅ = a + bX
Y̅ = 5,485 + 0,827X
f) tahap 6
menguji persamaan regresi dengan menghitung nilai R

𝑁∑𝑋𝑌−∑𝑋∑𝑌
R=
√(𝑁∑𝑋 2 −(∑𝑋)2 )(𝑁∑𝑌 2 −(∑𝑌)2 )

10 𝑥 3248−167 𝑥 193
R=
√(10 𝑥 2819 167²)(10 𝑥 3771−193²)

32480−32231
R=
√(28190−27889)(37710−37249)

294
R=
√(301)(461)

294
R=
√138761

249
R = 372,5063758

R = 0,6684449

(Ket : R = koefisien korelasi, nilai yang menunjukkan kuat/tidaknya hubungan

linier antar dua variabel)

g) Tahap 7
Menghitung nilai F

𝑅²(𝑛−𝑚−1)
F= 𝑚(1−𝑅 2 )

(0,6684449²)(10−1−1)
F= 1(1−0,66844492 )

0,4468186 x 8
F= 1(1−0,4468186)

3,5745490
F = 0,5531814

F = 6,4618030 ~ 6,462

(ket: F = uji nilai signifikansi , n = jumlah data , m = jumlah variabel bebas)

 h) Langkah 8
Interpretasi

Db = n – m – 1

Db = 10 – 1 – 1

Db = 8

(ket: db = banyaknya variabel bebas yang diikutsertakan)

Dikonsultasikan denngan tabel nilai 𝐹0.05 . pada taraf signifikansi 5%. 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 =
6,462 dan 𝐹𝑡𝑎𝑏𝑒𝑙 = 5,32. Jadi 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙 , sehingga 𝐻𝑎 diterima dan 𝐻0
ditolak.

i) Langkah 9
Kesimpulan
Terdapat pengaruh yang signifikan antar minat mahasiswa terhadap matakuliah
data mining.
C. Output Program

Dimana,

X = Minat

Y = Mata kuliah data mining

 OUTPUT

Perhatikan gambar diatas, pada Adjusted R square yaitu 0,3777 yang artinya sebanyak
37.7% minat mahasiswa mampu dijelaskan oleh mata kuliah data mining dan sisanya
dijelaskan oleh faktor lainnya. Disini alfa yang kita gunakan yaitu 0.05 (5%). Nilai
model regresi dapat dilihat pada kolom estimasi. Y = 5.4850 + 0.8272X.
D. Kesimpulan
Berdasarkan pembahasan pada bab-bab sebelumnya, maka penyusun 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 mendapatkan pola hubungan secara matematis antara X dan
Y, mengetahui besarnya perubahan variabel X terhadap Y, dan memprediksi Y jika nilai X
diketahui.
3. Berdasarkan banyak dan jenisnya data, analisis regresi dapat dibedakan atas: regresi linier
dan regresi non linier.
4. Persamaan regresi linier sederhana secara umum yaitu: 𝐘̅ = a + bX