PRAKTIKUM KE-2
ANALISIS REGRESI
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
2020
I. JUDUL PRAKTIKUM : “ ANALISIS REGRESI”
B. Bahan
No Nama Alat Jumlah
1 Buku Diktat 1 buku
Praktikum
2 Software SPSS 1 Aplikasi
V. TINJAUAN TEORITIS :
- Analisis Regresi
Regresi pertama kali dipergunakan sebagai konsep statistik
pada tahun 1877 oleh Sir francis Galton. Galton melakukan studi
tetang kecenderungan tinggi badan anak. Teori Galton berkembang
menjadi analisis regresi yang dapat digunakan sebagai alat
perkiraan nilai suatu variabel dengan menggunakan beberapa
variabel lain yang berhubungan dengan variabel tersebut.
Menurut Mason, pengertian dari analisis regresi adalah suatu
model matematis yang dapat digunakan untuk mengetahui pola
hubungan antara dua variabel atau lebih yaitu variabel bebas dan
variabel terikat. Variabel bebas adalah variabel yang nilai-nilainya
tidak bergantung pada variabel lainnya, biasanya disimbolkan
dengan X. variabel ini digunakan untuk meramalkan atau
menerangkan nilai dari variabel yang lain. Sedangkan variabel
terikat adalah variabel yang nilai-nilainya bergantung pada variabel
lainnya, biasanya disimbolkan dengan Y. Variabel itu merupakan
variabel yang diramalkan atau diterangkan nilainya. (Algifari,2013)
Analisis regresi ini untuk mengetahui arah hubungan positif
dan negatif antara variabel independen dengan variabel dependen
dan memprediksi nilai variabel dependen apabila nilai variabel
independen mengalami kenaikan atau penurunan. Data yang
digunakan berskala interval. Regresi sederhana didasarkan pada
hubungan fungsional ataupun kausal satu variabel independen
dengan satu variabel dependen.
Untuk mempelajari hubungan-hubungan antara beberapa variabel,
analisis regresi dapat dilihat dari dua bentuk, yaitu :
X Y XY X2 Y2
0,473 94 44,462 0,223729 8836
0,753 96 72,288 0,567009 9216
0,929 95 88,255 0,863041 9025
0,939 95 89,205 0,881721 9025
0,832 94 78,208 0,692229 8836
0,983 95 93,385 0,966289 9025
1,049 94 98,606 1,100401 8836
1,178 104 122,512 1,387684 10816
1,176 104 122,304 1,382976 10816
1,292 106 136,952 1,669264 11236
1,403 108 151,524 1,968409 11664
1,499 110 164,89 2,247001 12100
1,529 113 172,777 2,337841 12769
1,599 113 180,687 2,556801 12769
1,749 118 206,382 3,059001 13924
1,746 115 200,79 3,048516 13225
1,897 121 229,537 3,598609 14641
∑=28,550521
∑= 21,026 ∑ = 1775 ∑= 2252,764 ∑ = 186759
Mencari Nilai b
∑ ∑ ∑
∑ ∑
b = 22,554
Mencari nilai a
∑ ∑
∑ ∑ ∑
√ ∑ ∑ ∑ ∑
( )
√ ( ) ( )
√
R=
R = 0,952
Nilai R = koefisien korelasi, nilai yang menunjukkan
kuat atau tidaknya hubungan linear antara dua variabel.
Menghitung nilai F
F= 138,84, F= uji signifikansi
Interpretasi
db = n – m – 1
db = 17 – 1 - 1
db = 15
db = banyakya variabel bebas yang diikut sertakan.
Dikonsultasikan dengan tabel nilai Pada taraf
signifikansi 5 %,
. Jadi > , sehingga H0 diterima dan
Ha ditolak.
∑
∑ ∑
∑
∑ ∑
∑ ∑
∑ ∑
∑ ∑
∑ ∑
∑ ∑
∑ ∑
Sehingga:
∑ ∑ ∑ ∑
∑ ∑ ∑
∑ ∑ ∑ ∑
∑ ∑ ∑
∑ ∑ ∑
Memasukkan nilai-nilai persamaan tersebut
kedalam persamaan regresi berganda.
Y = a + b1X1 + b2X2
Y = 14.305,3208+(-0,005929 X1) + (-3, 273356 X2)
Menghitung besarnya pengaruh koefisien
determinasi
∑ ∑
∑
∑ ∑ ∑ ∑
√
=√
√
B. SPSS
1. Regresi linear Berganda
Input
Variable View
Data view
Ouput
Variable view
Data View
Output
VIII. KESIMPULAN :
1. Manfaat analisis regresi dalam penelitian antara lain :
- Model regresi dapat digunakan untuk mengukur keeratan
hubungan antara variabel dependen dan variabel independen.
- Model regresi dapat digunakan untuk mengetahui pengaruh suatu
atau beberapa variabel independen terhadap variabel dependen.
2. Model regresi sederhana dapat digunakan untuk forecast atau
memprediksi nilai Y, dan Mengukur pengaruh variabel X terhadap
variabel Y.
3. Model regresi berganda dapat digunakan untuk mengukur
pengaruh antara lebih dari satu variabel bebas (prediktor) terhadap
variabel terikat.
4. Persamaan regresi sederhana:
Y = a + bX
Y : variabel dependen (nilai yang diprediksi)
a : Konstanta (nilai Y’ apabila x1, x2, …xn = 0)
b : Koefisien regresi (nilai peningkatan ataupun
penurunan)
X : variabel independen
Persamaan regresi berganda:
Y’ = a + b1X1+ b2X2+…..+ bnXn
Y’ = Variabel dependen (nilai yang diprediksi)
a : Konstanta (nilai Y’ apabila x1, x2,… xn = 0)
b1, b2,…bn : Koefisien regresi (nilai peningkatan
ataupun penurunan)
x1, x2,…xn : variabel dependen
5. Contoh regresi linear berganda :
Salah satu contoh penelitian yang menggunakan analisis
regresi linear berganda adalah penelitian dengan judul : “ Pengaruh
ROA, NPM dan Size Terhadap Return Saham.” Dalam contoh
tersebut juga dijelaskan bahwasanya variabel bebas lebih dari satu,
yaitu ROA, NPM dan Size.