ANALISIS REGRESI

Makalah ini disusun sebagai tugas pada Mata Kuliah Statiska Pendidikan

Dosen Pengampu : Devi Sholehat, M.Pd

Disusun Oleh :

Kelompok 7 (Tujuh)

Humnatul Haniyah 11170163000029

Riska Purnomowati 11170163000041
M. Syahril Sidiq 11170163000057
Utut Muhammad 11170163000059

JURUSAN TADRIS FISIKA

FAKULTAS ILMU TARBIYAH DAN KEGURUAN

UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH

JAKARTA

2020

KATA PENGANTAR
 Puji syukur kami panjatkan kehadirat Allah SWT, atas segala rahmat dan karunianya
yang telah dilimpahkan kepada kami, sehingga kami dapat menyelesaikan Makalah ini.
Sholawat serta salam tak lupa kami ucapkan kepada baginda alam yakni Nabi Muhammad
SAW, yang mana telah membawa kami dari zaman jahiliyah hingga zaman karya ilmiah.

Makalah ini disusun untuk memenuhi tugas kami pada mata kuliah Statistika
Pendidikan yang berjudul “Analisi Regresi”. Kami ucapkan terimakasih kepada dosen mata
kuliah Statistika Pendidikan, yang telah memberikan arahan dan bimbingan kepada kami
sehingga kami mampu menyelesaikan makalah ini sesuai dengan waktu yang telah
ditentukan.

Kami menyadari bahwa terlaksananya ini berkat bantuan dari berbagai pihak. Oleh
karena itu, kami mengucapkan terimakasih yang sebesar-besarnya kepada dosen kami yang
telah membantu dan membimbing kami dalam pembuatan makalah ini.

Kami telah memahami bahwa apa yang telah didapatkan selama pembuatan makalah
ini belumlah seberapa. Kami menyadari sepenuhnya makalah ini masih jauh dari kata
sempurna. Oleh karena itu, saran dan dan kritik yang bersifat membangun sangat kami
harapkan demi kesempurnaan makalah ini. Kami berharap makalah ini dapat bermanfaat bagi
kami sendiri khususnya, dan umumnya bagi para pembaca.

Jakarta, 24 Maret 2020

Penulis

BAB I
 PENDAHULUAN

1.1 Latar Belakang

Perubahan nilai suatu variabel tidak selalu terjadi dengan sendirinya, namun
perubahan nilai variabel itu dapat pula disebabkan oleh berubahnya variabel lain yang
berhubungan dengan variabel tersebut. Dalam statistik, pola perubahan nilai sesuatu yang
disebabkan oleh variabel lain memungkinkan kita untuk membuat perkiraan (prediction)
nilai variabel tersebut dari nilai variabel yang mempengaruhinya. Teknik yang umum
digunakan untuk menganalisis hubungan antara dua atau lebih variabel tersebut adalah
analisis regresi.
Analisis regresi adalah analisis lanjutan dari analisis korelasi. Pada dasarnya analisis
regresi dan analisis korelasi keduanya mempunyai hubungan yang sangat kuat. Setiap
analisis regresi otomatis ada analisis korelasinya, tetapi sebaliknya analisis korelasi belum
tentu dapat 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.
Analisis regresi dapat dihitung secara manual atau dengan menggunakan SPSS.
Dalam tulisan ini, penulis akan membahas analisis regresi beserta contohnya dalam
perhitungan manual maupun dengan menggunakan SPSS.

1.2 Rumusan Masalah

1.2.1 Apa yang dimaksud dengan analisis regresi?
1.2.2 Apa yang dimaksud dengan analisis regresi linier sederhana?
1.2.3 Bagimana model persamaan analisis regresi linier sederhana?
1.2.4 Bagimana cara mengaplikasikan analisis regresi linier sederhana secara manual
dan menggunakan SPSS?
1.2.5 Apa yang dimaksud dengan analisis regresi linier berganda?
1.2.6 Bagimana model persamaan analisis regresi linier berganda?
1.2.7 Bagimana cara mengaplikasikan analisis regresi linier berganda secara manual
dan menggunakan SPSS?

1.3 Tujuan
1.3.1 Mengetahui pengertian analisis regresi
1.3.2 Memahami analisis regresi linier sederhana
1.3.3 Memahami model persamaan analisis regresi linier sederhana
1.3.4 Memahami cara mengaplikasikan analisis regresi linier sederhana secara manual
dan menggunakan SPSS?
1.3.5 Mengetahui analisis regresi linier berganda?
1.3.6 Memahami model persamaan analisis regresi linier berganda?
1.3.7 Memahami cara mengaplikasikan analisis regresi linier berganda secara manual
dan menggunakan SPSS?
 BAB II

ISI

2.1 Pengertian Analisis Regresi (regression analysis)

Analisis regresi merupakan suatu teknik untuk membangun persamaan dan

menggunakan persamaan tersebut untuk membuat perkiraan (prediction). Dengan
demikian, analisis regresi sering disebut sebagai analisis prediksi. Dikatakan prediksi
karena nilai prediksi tidak selalu tepat dengan nilai riilnya. Semakin kecil tingkat
penyimpangan antara nilai prediksi dengan nilai riilnya, maka semakin tepat persamaan
regresi yang bentuk. Hal ini dapat didefinisikan bahwa analisa regresi adalah metode
statistika yang digunakan untuk menentukan kemungkinan bentuk hubungan antara
variabel-variabel dengan tujuan pokok dalam penggunaan metode untuk meramalkan
atau memperkirakan nilai dari suatu variabel lain yang diketahui.

Analisis regresi merupakan analisis yang memanfaatkan dua atau lebih variable
sehingga salah satu variable bisa diramalkan dari variable lainnya. Pada analisis regresi
terdiri dari dua jenis vaiabel yaitu variable bebas (variable independent) dan variable tak
bebas (variable dependent). Variable independent adalah variable yang mempengaruhi
atau yang menjadi sebab perubahan atau timbulna variable tak bebas, sedangkan variable
dependen adalah variable yang dipengaruhi atau yang menjadi akibat adanya variable
bebas.

2.2 JENIS – JENIS ANALISIS REGRESI

2.2.1 REGRESI LINIER SEDERHANA
a. Pengertian Regresi Linier Sederhana

Regresi linier sederhana adalah metode statistic yang berfungsi untuk

menguji sejauh mana hubungan sebab akibat antara variable faktor penyebab (X)
terhadap variable akibatnya. Faktor penyebab disebut juga dengan predictor
sedangkan variable akibat (Y) disebut juga dengan response.

b. Model Regresi Linier Sederhana

Model Regresi linear sederhana yaitu model probabilistik yang menyatakan
hubungan linear antara dua variabel dimana salah satu variabel dianggap
mempengaruhi variabel yang lain, regresi ini hanya melibatkan satu variabel
bebas dan satu variabel terikat atau menurut istilah lain meramal variabel
 dependen yang dipengaruhi oleh satu variabel independen. Dalam statistika
parametrik ini merupakan teknik yang digunakan secara umum untuk
menganalisis rata-rata respon dari variabel Y yang sehubungan dengan besarnya
intervensi dari variabel X. Contohnya yaitu seorang peneliti tertarik untuk
menyelidiki pengaruh (hubungan) linear dari IQ terhadap hasil belajar statistika
mahasiswa, disini IQ sebagai variabel independen (X) dan hasil belajar adalah
variabel dependen (Y).1
Persamaan regresi linier sederhana merupakan suatu model persamaan yang
menggambarkan hubungan satu variabel bebas/ predictor (X) dengan satu variabel
tak bebas/ response (Y).
Secara umum persamaan regresi linear sederhana yaitu :
Y^ =a+bX
Keterangan:
Y= response (variabel terikat/ dependen)
X = prediktor (variabel bebas/ independen)
a = konstanta (intersep)
b = konstanta regresi (slope)

dengan untuk mendapat nilai konstanta a dan b dapat dicari dengan menggunakan
rumus :
( Σ Y 1 ) ( Σ X 21 ) −( Σ X 1 Y 1)
a= atau a=∑ Y −b ¿ ¿ ¿
n Σ X 21−( Σ X 1)2
( Σ X 1 Y 1 )− ( Σ X 1 ) ( Σ Y 1 ) 2
b= 2
n Σ X 21−( Σ X 1 )

c. Langkah-Langkah Uji Regresi Linier Sederhana

Langkah-Langkah Analisis dan Uji Regresi Linier Sederhana sebagai berikut :
a. Menentukan tujuan dari Analisis Regresi Linear Sederhana
b. Mengidentifikasi variabel predictor dan variabel response
c. Melakukan pengumpulan data dalam bentuk tabel
d. Menghitung X², XY dan total dari masing-masingnya

1
Suyono. 2018. ANALISIS REGRESI UNTUK PENELITIAN. Yogyakarta. Deepublish. Hlm 5-6
2
Wahdan Najib H. 2017. STATISTIKA PENDIDIKAN. Surakarta. Muhammadiyah University Press.
Hlm 244-245
 e. Menghitung a dan b menggunakan rumus yang telah ditentukan
f. Menentukan persamaan regresi
Melakukan prediksi terhadap variabel predictor atau response dengan
menggunakan persamaan koefisien korelasi
r =n ( ∑ XY ) −( ∑ X )¿ ¿
g. Uji signifikansi menggunakan Uji-T; Uji-F, Uji-z; Anova, dll. dan menentukan
Taraf Signifikan.
Pengujian hipotesis dimaksudkan untuk melihat apakah suatu hipotesis
yang diajukan ditolak atau dapat diterima. Hipotesis merupakan asumsi atau
pernyataan yang mungkin benar atau salah mengenai suatu populasi. Dengan
mengamati seluruh populasi, maka suatu hipotesis akan dapat diketahui
apakah suatu penelitian itu benar atau salah. Untuk keperluan praktis,
pengambilan sampel secara acak dari populasi akan sangat membantu. Dalam
pengujian hipotesis terdapat asumsi/ pernyataan istilah hipotesis nol. Hipotesis
nol merupakan hipotesis yang akan diuji, dinyatakan oleh H 0 dan penolakan H0
dimaknai dengan penerimaan hipotesis lainnya yang dinyatakan oleh H1
h. Interpretasi
i. Kesimpulan3

d. Contoh Aplikasi Analisis Regresi Linier Sederhana

 Perhitungan Manual

Contoh :

Berikut ini diambil data dari 10 responden yang berasal dari berasal dari
tenaga pendidik dan kependidikan pada suatu lembaga untuk mengetahui
pengaruh insentif terhadap disiplin kerja guru.

a. Tujuan : untuk mengetahui apakah intensif pada guru mempengaruhi disiplin

kerja
b. Variabel : X = intensif
Y = disiplin kerja
c. Data :

3
Fajri Ismail. 2018. STATISTIKA untuk Penelitian Pendidikan dan Ilmu-Ilmu Sosial. Jakarta. PRENADA
MEDIA GRUP. Hlm 376
 Disiplin kerja guru
No Insentif (X)
(Y)
1. 18 21
2. 16 18
3. 20 23
4. 18 21
5. 14 16
6. 15 20
7. 16 21
8. 18 17
9. 17 19
10. 15 17

d. Menghitung X², XY dan total dari masing-masingnya

No
X X² Y Y² XY
.
1. 18 324 21 441 378
2. 16 256 18 324 288
3. 20 400 23 529 460
4. 18 324 21 441 378
5. 14 196 16 256 224
6. 15 225 20 400 300
7. 16 256 21 441 336
8. 18 324 17 289 306
9. 17 289 19 361 323
10. 15 225 17 289 255
∑ 167 2819 193 3771 3248

e. Menghitung a dan b menggunakan rumus yang telah ditentukan

( Σ Y 1 ) ( Σ X 21 ) −(Σ X 1 Y 1)
a=
n Σ X 21−(Σ X 1)2
(193 )( 2819 ) −(3248)
a=
10 ( 2819 )−(2819)2
a=5,845

( Σ X 1 Y 1 )− ( Σ X 1 ) ( Σ Y 1 )
b= 2
n Σ X 21−( Σ X 1 )
 (3248 )−(167)(193)
b=
10 (2819 )−(2819)2
b=0,827
f. Menentukan persamaan regresi

Y^ =a+bX

Y^ =5,845+ 0,827 X

g. Melakukan prediksi terhadap variabel predictor atau response dengan

menggunakan persamaan koefisien korelasi
r =n ( ∑ XY ) −(∑ X )¿ ¿
10 ( 3248 )−(167)(193)
r= 2 2
√ 10 ( 2819 )−( 167 ) (3771)(193)
r =0,668
h. Uji signifikansi menggunakan Uji-F dan menentukan Taraf Signifikan.
r 2 (n−m−1)
F=
m(1−r 2)
0,6682 (10−1−1)
F=
1(1−0,6682 )
F=6,462
i. Interpretasi
db=n−m−1

db=10−1−1

db=8

Berdasarkan tabel F0,05 pada taraf signifikansi 5% dengan taraf Fhitung 6,642 dan
Ftabel 5,32. Jadi Fhitung ¿ Ftabel. Sehingga H1 diterima dan H0 ditolak.

j. Kesimpulan
Terdapat pengaruh yang signifikan antara intensif terhadap disiplin kerja
pada guru.

 Perhitungan Menggunakan SPSS

Contoh:
Diambil data dari 10 responden yang berasal dari tenaga pendidik dan kependidikan pada
suatu lembaga untuk mengetahui pengaruh insentif (X) terhadap disiplin kerja guru (Y).

Insentif (X) 18 17 17 20 15 19 20 16 18 14

Disiplin kerja (Y) 17 15 19 17 13 14 15 17 16 13

Langkah 1 : Memasukkan definisi variabel pada variable view

dan data ke data view.
Langkah 2 : Klik menu analyze → regression → linier
Langkah 3 : Masukkan variabel insentif ke dalam kotak
independent dan variabel disiplin kerja ke dalam
kotak dependent → ok
Hasil :
Regression
Model Summary
Adjusted R Std. Error of
Model R R Square
Square the Estimate
1 .356a .127 .018 1.938
a. Predictors: (Constant), Insentif

*Bagian ini menggambarkan derajat keeratan hubungan

antarvariabel.
Analisis
 Angka R sebesar 0,356 menunjukkan bahwa korelasi/hubungan
antara insentif dengan disiplin kerja adalah rendah (karena
besarnya < 0,5).
 Adjusted R Square sebesar 0,018 menunjukkan besarnya peran
atau kontribusi variabel insentif mampu menjelaskan variabel
disiplin kerja sebesar 18%, sedangkan 82% dipengaruhi oleh
faktor-faktor lain.
 Std. Error of the Estimate yang nilainya 1,938 menggambarkan
tingkat ketepatan prediksi regresi, dimana semakin kecil
angkanya maka semakin baik prediksinya.
 ANOVAb
Sum of
Model Df Mean Square F Sig.
Squares
1 Regressio 1.16
4.362 1 4.362 .313a
n 2
Residual 30.038 8 3.755
Total 34.400 9
a. Predictors: (Constant),
Insentif
b. Dependent Variable: Disiplin Kerja
*Bagian ini menggambarkan tingkat signifikansi.
Analisis
 Nilai probabilitas F (F-hitung) sebesar 0,313>0,05 dengan
demikian model persamaan regresi berdasarkan data
penelitian adalah tidak signifikan, artinya model regresi linier
tidak memenuhi kriteria linieritas. Dengan kata lain, insentif
tidak berpengaruh signifikan terhadap disiplin kerja.
Coefficientsa
Unstandardized Standardized
Model Coefficients Coefficients t Sig.
B Std. Error Beta
1 (Constant 1.70
9.577 5.622 .127
) 3
Insentif 1.07
.346 .321 .356 .313
8
a. Dependent Variable: Disiplin
Kerja
* Bagian ini menggambarkan seberapa besar koefisien regresinya.
Analisis
 Hipotesis
Ha : Insentif berpengaruh terhadap disiplin kerja.
 Nilai probabilitas thitung variabel insentif sebesar 0,313
menunjukkan Ha ditolak, yang berarti insentif tidak berpengaruh
terhadap disiplin kerja.
 Persamaan
 Ŷ = 9,557 + 0,346X
Grafik

2.2.2 REGRESI LINIER BERGANDA

a. Pengertian Regresi Linier Berganda
Regresi linier berganda adalah analisis regresi yang menjelaskan hubungan
antara peubah respon (variable dependent) dengan faktor-faktor yang
mempengaruhi lebih dari satu predaktor (variable independent). Disamping
hubungan linier dua variabel, hubungan linier lebih dari dua variabel dapat juga
terjadi. Pada hubungan ini, perubahan satu variabel dipengaruhi oleh lebih dari
satu variabel lain. Tujuan analisis regresi linier berganda adalah untuk mengukur
intensitas hubungan antara dua variabel atau lebih dan memuat prediksi/perkiraan
nilai Y atas nilai X.4
Dalam suat penelitian mungkin kita tertarik untuk mengetahui pengaruh linier
dari beberapa variable independent terhadap sebuah variable dependen. Sebagai
contoh mungkin kita tertarik untuk mengetahui pengaruh linier dari tingkat IQ dan
motivasi terhadap hasil belajar statistika mahasiswa, atau mungkin kita ingin
mengetahui pengaruh linier dari tingkat IQ, motivasi, dan kedisiplinan terhadap
hasil belajar statiska mahasiswa. Untuk keperluan ini dapat digunakan model
regresi linier ganda (multiple).5

4
repository.usu.ac.id
5
Suyono. 2018. Analilis Regresi untuk Penelitian. Yogyakarta : Deepublish. Hlm. 99
 b. Model Regresi Linier Berganda
Model regresi linier berganda merupakan suatu persamaan yang menggambarkan
hubungan antara dua atau lebih variable bebas/predictor (X1,X2,…,Xn) dan satu
variable tak bebas/response (Y). Tujuan dari analisis regresi linier berganda
adalah untuk memprediksi nilai variable tak bebas/response (Y) jika nilai variable
– variable bebas/ predictor (X1,X2,…,Xn) diketahui. Disamping itu juga untuk
mengetahui arah hubungan antara variable tak bebas dengan variable – variable
bebas.6
Bentuk umum model regresi linier berganda dengan p-parameter yaitu :

y = a+ b 1 x 1i + b 2 x 2i + ...... + b k x k + ε 2.1

Keterangan :

Y = Respon (variabel terikat/dependen)

a = konstanta
b 1, b 2, … , b n = Parameter – parameter populasi yang nilainya tidak
x 1 , x2 , … , x k , diketahui
εi = Prediktor (variabel bebas/independen)
= Galat acak (random error)7

c. Regresi Linier dengan Dua Variabel

Bila terdapat 2 variabel bebas , yaitu X1 dan X2, mak bentuk persamaan
regresinya adalah :

y = a + b 1 x 1i + b 2 x 2i 2.2

Keadaan – keadaan bila nilai koefisien – koefisien regresi b 1 dan b 2 adalah :

1. Bernilai 0, maka tidak ada pengaruh X1 dan X2 terhadap Y

6
I Made Yuliara. 2016. Modul Regresi Linier Berganda. (simdos.unud.ac.id). Hlm.2
7
Suyono. 2018. Analilis Regresi untuk Penelitian. Yogyakarta : Deepublish. Hlm. 99

--Kurniawan, Robert dan Budi Yuniarto. 2016. Analisis Regresi : Dasar dan Penerapannya dengan R. Jakarta :
Kencana. Hlm. 90
 2. Bernilai negative, maka terjadi hubungan yang berbaik arah antara variable
bebas X1 dan X2 dengan variable tak bebas Y
3. Bernilai positif, maka terjadi hubungan yang searah antara variable bebas X 1
dan X2 dengan variable tak bebas

Konstanta a dan koefisien – koefisien regresi b1 dann b2 dapat dihitung

menggunakan rumus :

a= 2.2

2.3

2.4

Dimana

Dari persamaan 2.2-2.4 kita menggunakan huruf kecil yng artinya bebeda dengan
penggunaan huruf besar, yakni
 Jika nilai – nilai a, b1, dan b2 telah diperoleh, maka persamaan garis regresi yang merupakan
estimasi hubungan antara variabe; - variabel X1, X2, dan variabel Y adalah

Untuk menghitung a, b 1, dan b2 dengan rumus 2.2 -2.4 terlebih menghitung beberapa
kuantitas berikut ini :
atau bisa ditulis :

d. Regresi Linier dengan Tiga Variabel

m11a + m12b1 + m13b2 = h1
m21a + m22b1 + m23b2 = h2
m31a + m32b1 + m33b2 = h3

m11 m12 m13 a h1

[ ][ ] [ ]
m21 m22 m23 b 1 = h 2
m31 m32 m33 b 2 h 3

det M 1 det M 2 det M 3

a= a= a=
det M det M det M

h1 m12 m13

[
M 1= h2 m22 m23
h3 m32 m33 ]
m11 h 1 m13

[
M 2= m21 h 2 m23
m31 h 3 m33 ]
 m11 m12 h 1

[
M 3= m21 m22 h 2
m31 m32 h3 ]
m11 m12 m13

[
M = m21 m22 m23
m31 m32 m33 ]
Contoh :

Nilai a, b 1 dan b 2 diperoleh dari determinan, yaitu

Koefisien Determinasi (r2)

 Koefisien determinasi digunakan untuk mengetahui presentasi pengaruh
variable bebas X1 dan X2 terhadap variable tak bebas Y
 Besarnya r2 dihitung dengan rumus :
  Jika r2 = 0, maka variasi variable-variabel bebas X1 dan X2 tidak
sedikitpun dapat menjelaskan variasi variable tak bebas Y dalam model
persamaan regresi
 Jika r2 = 1, maka variasi variable – variable bebas X1 dan X2 dapat
menjelaskan dengan sempurna variable tak bebas Y dalam model
persamaan regresi8

e. Contoh Aplikasi Analisis Regresi Linier Sederhana

 Perhitungan Manual
Contoh :
Anggap seorang peneliti meyakini ada hubungan linier antara tingkat
IQ dan motivasi terhadap hasil belajar mahasswa. Tingkat IQ dianggap sebagai
variable independent pertama (X1), motivasi dianggap sebagai variable
independent kedua (X2), dan hasil belajar mahasiswa dianggap sebagai
variable dependen (Y). anggap data sampel yang tersedia dari 10 responden
adalah sebagai berikut :
Tabel 1 : Data Simuasi Tingkat IQ, Motivasi, dan Hasil Belajar
Mahasiswa

Nomor Hasil Belajar

Tingkat IQ (X1) Motivasi (X2)
Responden Mahasiswa (Y)
1 90 70 59
2 97 77 62
3 106 76 69
4 110 68 65
5 15 78 69
6 118 79 74
7 122 80 70
8 127 79 76
9 135 85 81
10 140 88 85

Untuk menghitung estimator a, b1, dan b2 dengan bantuan rumus (2.2 -2.4)
kita siapkan tabel seperti berikut :

8
I Made Yuliara. 2016. Modul 5Regresi Linier Berganda. (simdos.unud.ac.id). 78Hlm.469
 Tabel 2 : Tabel ntuk menghitung estimator a, b1, dan b2 dengan bantuan
rumus (2.2 -2.4)

Keterangan

Dari tabel 2 terlihat bahwa

dan
 Lalu

Jadi, persamaan garis regresi yang menghubungkan X1, X2, dan Y adalah :

 Mengestimasi Parameter dengan SPSS

Pada bagian ini akan ditunjukkan bagaimana menggunakan software SPSS untuk menghitung
a, b1, b2 dan s2. Berikut langkah-langkah (dipersingkat) untuk menghitung a, b1, b2 dan s2 pada
Contoh 3.1 dan Contoh 3.2 dengan bantuan SPSS.

Langkah 1. Input data ke dalam kerja SPSS sebagai berikut:

Langkah 2. Klik menu Analyse, sorot Regression lalu pilih Linear, maka akan muncul
kotak dialog Linier Regression. Masukkan variabel IQ dan Motivasi ke kotak
Independent(s) dan variabel Hasil_Belajar ke kotak Dependent sehingga memperoleh
tampilan berikut ini:
Langkah 3. Pada kotak dialog Liniear Regression klik Statistics. Check list (√) Estimates
untuk memunculkan nilai-nilai estimator. . Check list (√) Confident intervals untuk
memunculkan interval kofidensi. . Check list (√) Model fit untuk memunculkan tabel Anova,
lalu klik Continue. Selanjutnya, klik Option. . Check list (√) Include constant in equation,
lalu klik Continue, dan terakhir klik Ok. Maka akan muncul output sebagai berikut
(ditampilkan sebagian):
Regression
 Estimator a, b1, dan b2 dapat dilihat pada bagian output Coefficientsa, yakni a =
-0,991, b1 = 0,385 dan b2 = 0,350. Adapun nilai estimator s2 = 4,716 dapat dilihat langsung
pada bagian output ANOVAb (pada kolom mean Square, baris Residual).
Perhatikan bahwa hasil-hasil estimator yang diperoleh dengan menggunakan software
SPSS sama dengan hasil yang diperoleh dengan menggunakan perhitungan secara manual.
Penjelasan output yang lain akan diberikan pada pembahasan uji hipotesis dan interval
kofidensi.
 BAB III
PENUTUP

3.1 Analisis regresi merupakan suatu teknik untuk membangun persamaan dan
menggunakan persamaan tersebut untuk membuat perkiraan (prediction).
3.2 Regresi linier sederhana adalah metode statistic yang berfungsi untuk menguji sejauh
mana hubungan sebab akibat antara variable faktor penyebab (X) terhadap variable
akibatnya
3.3 Regresi linier sederhana dapat menggunakan persamaan
Y^ =a+bX
3.4 Regresi linier berganda adalah analisis regresi yang menjelaskan hubungan antara
peubah respon (variable dependent) dengan faktor-faktor yang mempengaruhi lebih dari
satu predaktor (variable independent).
3.5 Regresi linier sederhana dapat menggunakan persamaan
y = a + b 1 x 1i + b 2 x 2i + ...... + b k x k + ε