ANALISIS REGERESI
resume ini dibuat untuk memenuhi Tugas mata kuliah Penganggaran Perusahaan
DISUSUN OLEH :
UNIVERSITAS BRAWIJAYA
MALANG
2020
ANALISIS REGRESI
Analisis Regresi Sederhana : Adalah analisis yang digunakan untuk menganalisis satu
variabel terikat (Y) dengan menggunakan satu variabel bebas (X) . Variabel bebas
yang dipilih adalah yang mempunyai hubungan (korelasi) dengan variabel terikat.
Untuk mengetahui bahwa variabel terikat (Y) dapat digunakan analisis korelasi.
A. Analisis Korelasi
Analisis Korelasi : Adalah analisis yang digunakan untuk mengetahui
hubungan sebab akibat antara beberapa variabel. Perubahan variabel terikat
ditentukan oleh faktor lain. Faktor lain tersebut dapat terdiri atas satu faktor
atau lebih.
Y =a+bX
n ∑ XY −∑ X ∑ Y
b=
n ∑ X 2−¿ ¿
a
∑ Y −b ∑ Y
n
Residual (X-X)
Tahun X Y XY X2 Y2 X- X́ ( X −X )2 (Y −Y )2
Y-Ý (Y-Y)
2011 3 130 390 9 16900 -2 -22 44 4 484
2012 4 145 580 16 21025 -1 -7 7 1 49
2013 5 150 750 25 22500 0 -2 0 0 4
2014 6 165 990 36 27225 1 +13 13 1 169
2015 7 170 1190 49 28900 2 +18 36 4 324
∑ 25 760 3900 135 116500 0 0 100 10 1030
X = jualan biskuit susu, variabel bebas
Y= jualan susu, variabel terikat
X ̅ =∑X : n = 25 : 5 = 5 ( rata-rata X )
Y= ∑Y : n = 760 : 5 = 152 ( rata-rata Y )
760−10(25)
a= =102
5
∑ Y =n a+ ∑ X b
∑ XY =∑ X a+ ∑ X 2 b
760=5 a+25 b … ×5
3900=25 a+135 b
3800=25 a+125 b
3900=25 a+135 b
100=10b
b=100 :10=10
b=
∑ XY −n X´Ý = 3900−5 ( 5 ) (152) = 3900−3800 =10
∑ X 2 −n X́ 2 135−5(5)2 135−125
Kemudian hubungan saling ketergantungan antara dua variabel, yaitu jualan susu
dan jualan biskuit susu harus diuji dengan koefisien korelasi. Koefisien korelasi
menunjukkan angka paling kecil -1 dan paling besar +1. Apabila korelasi tersebut
positif berarti semakin besar X semakin besar Y. Sebaliknya, bila korelasi tersebut
negatif berarti semakin besar X semakin kecil Y atau berarti semakin kecil X semakin
besar Y.
Tabel 5-1
Lihat tabel 5-1 , misalkan Y= Variabel terikat adalah jualan susu dan
X=variabel bebas adalah jualan biskuit susu. Pada titik A, jualan biskuit susu (X)
sebanyak 20 unit dan jualan susu (Y) sebanyak 20 unit. Pada titik C jualan biskuit
susu (X) sebanyak 15 unit (yaitu, turun 5 unit dari 20 unit) dan jualan susu (Y) juga
turun 5 unit (yaitu, turun 5 unit dari 20 unit). Sebaliknya, pada titik B jualan biskuit
susu(X) sebanyak 25 unit (yaitu, naik 5 unit dari 20 unit). Kenaikan jualan biskuit
susu ini juga diikuti dengan kenaikan jualan susu sebanya 5 unit, yaitu dari 20 unit
menjadi 25 unit. Jadi Y, berkorelasi dengan X secara positif karena perubahan X
berpengaruh terhadap Y sehingga X naik maka Y naik, atau sebaliknya.
Tabel 5-2
Lihat tabel 5-2, misalkan Y = variabel terikat dan X=variabel bebas. Pada titik A
variabel X sebanyak 20 unit dan variabel Y sebanyak 15 unit. Kemudian titik A
berpindah ke titik C, maka X menjadi 25 unit (yaitu , naik 5 unit dari 20 unit). Di sisi
lain, Y menjadi 10 unit (yaitu, turun 5 unit dari 15 unit). Bila titik A berpindah dari
titik B, maka X turun 5 unit dan Y naik 5 unit. Jadi, X berpengaruh terhadap Y secara
negatif sehingga X naik maka Y turun, atau sebaliknya.
Tabel 5-3
Lihat tabel 5-3, asumsikan bahwa pada titik A tampak X = 10 unit dan Y=10 unit.
Jika titik A pindah ke titik B maka X= 10 unit tetap dan Y=25 unit (yaitu, naik 15
unit dari 10 unit). Jika titik A pindah ke titik C maka X=20 unit (yaitu, naik 10 unit
dari 10 unit) dan Y=10 unit (tetap). Jadi variabel X tidak berkorelasi dengan variabel
Y karena X naik dan Y tetap, atau sebaliknya.
n ∑ XY −∑ X ∑ Y
R= 2
√ n ∑ X −(∑ X) √ n ∑ Y −¿ ¿ ¿ ¿ ¿
2 2
Rumus Koefisien Korelasi tersebut dihitung dengan menggunakan Tabel 5-1 sebagai
berikut.
5 ( 3.900 ) −25(760)
¿ =0,98533
√5 ( 135 )−252 √ 5 ( 116.550 )−(760)2
Berdasakan tabel 5-1 juga dapat dihitung koefisien korelasi (R) sebagai berikut.
( X − X́ ) (Y −Ý )
R= 2
√ ( X − X́ ) (Y −Ý ) 2
100
R= =0,98533
√ 10 ×1.030
Bila koefisien (R2)sudah diketahui, maka koefisien korelasi (R) dapat dihitung
dengan rumus berikut:
R=√ R 2
R2=koefisien determinan
Misalkan diperoleh R2 sebesar 97,08752 unit maka
R=√ 0,9708752
= 0,98533
n ∑ XY −∑ X ∑Y 5 x 60−10 x 25
b= 2
= =1
n ∑ X −(∑ X ) ² 5 x 30−(10)²
∑ Y −b ∑ X 25−1 x 10
a = = =3
n 5
Persamaan tren garis lurus
Y = a + bX
Y = 3 + 1X
Ramalan jualan tahun 2011 = 3 + 1 (0) = 3
2012 = 3 + 1 (1) = 4
2013 = 3 + 1 (2) = 5
2014 = 3 + 1 (3) = 6
2015 = 3 + 1 (4) = 7
2) Persamaan Tren Bukan Garis Lurus
Tabel 5-5
tahun Y X XY X2 X2Y X4
2011 3 -2 -6 4 12 16
2012 4 -1 -4 1 4 1
2013 5 0 0 0 0 0
2014 6 1 6 1 6 1
2015 7 2 14 4 28 16
∑ 25 0 10 10 50 34
Berdasarkan tabel 5.5 dibuat perhitungan sebagai berikut :
∑ XY 10
b= = =1
∑ X ² 10
∑Y = n a + ∑X²C
∑X²Y = ∑X²a + ∑X4c
25 = 5 a + 10 c ........x 3,4
50 = 10 a + 34 c 25 = 5 a + 10 c
85 = 17 a + 34 c 25 = 5 (5) + 10 c
50 = 10 a + 34 c 25 = 25 + 10
35 = 7a 25 – 25 = 10 c
a = 35 : 7 = 5 c=0
Persamaan tren bukan garis lurus (parabola kuadrat)
Y = a + bX + cX²
Y = 5 + 1X + 0X²
Ramalan jualan tahun 2011 = 5 + 1 (-2) + 0 (4) = 3
2012 = 5 + 1 (-1) + 0 (1) = 4
2013 = 5 + 1 (0) + 0 (0) = 5
2014 = 5 + 1 (1) + 0 (1) = 6
2015 = 5 + 1 (2) + 0 (4) = 7
3) Hasil Perhitungan Tren Garis Lurus dan Bukan Garis Lurus
Tabel Perbandingan Tren Garis lurus dan Bukan Garis lurus
2011 3 3 3
2012 4 4 4
2013 5 5 5
2014 6 6 6
2015 7 7 7
Dari data perbandingan jualan aktual dan ramalan seperti tabel diatas terlihat data
jualan aktual sama dengan ramalan jualan, baik dengan metode tren garis lurus
maupun bukan garis lurus. Dengan demikian, metode ramalan yang sesuai dengan
kenyataan dapat menggunakan metode tren garis lurus atau parabola kuadrat.
Ramalan jualan dengan tren garis lurus sangat jarang terjadi sama dengan parabola
kuadrat, adapun sama dengan jualan aktual.
Apabila ramalan jualan dengan tren garis lurus = jualan aktual, sedangkan
parabola kuadrat berbeda dengan jualan aktual, berarti metode tren garis lurus adalah
yang paling sesuai digunakan untuk ramalan jualan, dan sebaliknya.
Jadi, baik menggunakan metode tren garis lurus maupun parabola kuadrat hasilnya
adalah 8 unit.
C. Koefisien Determinan
Dengan rumus:
a ∑ Y +b ∑ XY −nY ²
R² =
∑ Y 2−n Y ²
Bila hasil pengujian ternyata harus menerima H₀ berarti X dan Y berkorelasi, maka
tidak ada gunanya mengunakan regresi Y = a + bX untuk meramalkan Y.
Cara Pengujian :
R √ n−2
t ₀=
√1−( R )2
Bila menggunakan perumusan (1), (2), (3), maka apabila H₀ diterima maka Ha
ditolak dan sebaliknya. Hal ini bergantung pada variabel yang sedang dipelajari.
Contoh: jika X= pupuk, Y= produksi padi; X = biaya iklan, Y= hasil penjualan ; X =
dapatan, Y= konsumsi, maka digunakan perumusan:
Y= variabel terikat
a 0= konstanta (intersep) dari Y
a 1 dan a 2 = koefisien regresi parsial
X1 dan X2= dua variabel bebas
Untuk mengetahui kuat atau lemahnya hubungan variabel terikat (Y) dengan
variabel (X) diperlukan perhitungan koefisien korelasi. Sebuah variabel bebas yang
baik adalah variabel bebas yang berhubungan erat dengan variabel terikatnya dan
tidak berhubungan erat dengan variabel bebas lainnya. Misalkan jualan susu
mempunyai hubungan positif yang sangat tinggi dengan jumlah biskuit susu,
ditunjukkan oleh koefisien korelasi (R) sebesar 0,98740. Sementara dengan variabel
bebas lainnya, misalnya tingkat harga jual mempunyai korelasi negatif, yaitu R
-0,39739. Berarti dengan tambahan variabel bebas (tingkat kenaikan harga jual)
persentase simpangan yang dapat dijelaskan bertambah besar.
R = √ R2
Bila R2 (koefisien determinasi berganda) sebesar 0,975473, maka
R = √ 0,975473 = 0,98766
Oleh karena R sebesar 0,9875473 mendekati angka 1 positif berarti terdapat
hubungan yang sangat erat antara Y (jualan susu) dengan variabel bebas X 1 (jualan
biskuit susu) dan X 2 (tingkat kenaikan harga jual ).
Koefisien Determinasi
760
Ȳ= =152
5
YR=nilai taksiran Y =104,57896+9,94732 X 1−0,52632 X 2
¿ 104,57896+9,94732 ( 3 )−0,52632 ( 7 ) =130,73683
¿ 104,57896+9,94732 ( 4 )−0,52632 ( 3 )=142,78948
¿ 104,57896+9,94732 ( 5 )−0,52632 ( 2 )=153,26317
¿ 104,57896+9,94732 ( 6 )−0,52632 ( 4 )=162,15790
¿ 104,57896+9,94732 ( 7 )−0,52632 ( 6 )=171,05263
∑ ( Y −Ȳ )2=∑ ( YR−Ȳ )2 +∑ ( Y −Ȳ R )2
1.030=1.004,73684+25,26316
∑ ( YR−Ȳ )2 1.004,73684
R 2= 2
= =0,975473=97,55 %
∑ ( Y −Ȳ ) 1.030
atau
2 ∑ ( Y −YR )2 25,26316
R =1− 2
=1− =0,975473=97,55 %
∑ ( Y −Ȳ ) 1.030
Jadi, persamaan regresi menjelaskan 97,55 unit dari variabilitas jualan susu (Y)
DAFTAR PUSTAKA