Makalah Komputer Statistik

Regresi Linear Sederhana dan Regresi Linear Berganda

Di Susun Oleh :

Kelompok 6 B

1. Muhammad Rajab : 17 221 031

2. Astia Ningsih : 17 221 034

PROGRAM STUDI PENDIDIKAN MATEMATIKA

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN

UNIVERSITAS DAYANU IKHSANUDDIN

BAUBAU

2020

[Type text] Page i

 KATA PENGANTAR

Assalammu’alaikum warahmatullahi wabarakatuh

Alhamdulillah, senantiasa kita ucapkan puji syukur kehadirat Allah SWT. Yang hingga
saat ini masih memberikan kita kesehatan, sehingga kami diberikan kesempatan yang luar
biasa untuk menyelesaikan tugas mata kuliah Komputer Statistik.

Terlepas dari semua itu, kami menyadari sepenuhnya bahwa masih ada kekurang baik
dari segi susunan kalimat maupun tata bahasanya. Oleh karena itu, dengan tangan terbuka
kami menerima segala saran dan kritik dari dosen dan teman-teman agar kami dapat
memperbaiki makalh ini.

Akhir kata kami berharap semoga makalah ini dapat memberikan manfaat maupun
inspirasi terhadap kita semua.

Wassalamu’alaikum warahmatullahi wabarakatuh

Baubau, 20 April 2020

Kelompok 6 B

[Type text] Page ii

 Daftar Isi

Cover..............................................................................................................i

Kata Pengantar...............................................................................................ii

Daftar Isi........................................................................................................iii

BAB I PENDAHULUAN..............................................................................1

A. Latar Belakang...................................................................................1

BAB II PEMBAHASAN...............................................................................2

A. Regresi Linear Sederhana..................................................................2

B. Regresi Linear Berganda....................................................................6

BAB III PENUTUP.......................................................................................13

A. Kesimpulan .......................................................................................13

DAFTAR PUSTAKA....................................................................................14

[Type text] Page iii

 BAB I

PENDAHULUAN

A. Latar Belakang
Analisis regresi telah lama dikembangkan untuk mepelajari pola dan mengukur
hubungan statistik antara dua atau lebih peubah (variabel). Teknik analisis yang mencoba
menjelaskan bentuk hubungan antara dua peubah atau lebih khususnya hubungan antara
peubah-peubah yang mengandung sebab akibat disebut analisis regresi.
Prosedur analisisnya didasarkan atas distribusi probabilitas bersama peubah-
peubahnya. Bila hubungan ini dapat dinyatakan dalam persamaan matematik, maka kita
dapat memanfaatkannya untuk keperluan-keperluan lain misalnya peramalan. Mengingat
pentingnya analisis ini, maka analisi regresi ini akan menjadi pokok pembahasan utama
dimana yang akan dibahas adalah regresi linear sederhana dan regresi linear berganda.

[Type text] Page 1

 BAB II
PEMBAHASAN
A. Regresi Linear Sederhana
Persamaan matematik yang memungkinkan melakukan penawaran nilai-nilai suatu
peubah tak bebas dari suatu atau lebih peubah bebas yang disebut persamaan regresi.
Istilah ini berasal dari hasil pengamatan yang dilakukan Sir Francis Galton (1822-1911)
yang membandingkan tinggi badan anak laki-laki dan bapaknya. Galton menyatakan
bahwa tinggi badan anak laki-laki dari bapak yang tinggi pada beberapa generasi
kemudian cenderung “mundur” (regressed) mendekati rata-rata populasi (Yusuf
Wibisono, 2005: 529).
Regresi sederhana atau tunggal digunakan apabila peneliti ingin mengetahui linearitas
hubungan satu variabel bebas (X) dan satu variabel terikat (Y) dan dapat pula digunakan
untuk memprediksi kenaikan variabel dependen jika variabel dependen diketahui .
Persamaan Regresi Linear Sederhana ( Dr. A Saepul Hamdani, M.Pd dan Maunah
Setyawati, M.Pd 2013: 204).
¿
Y =a+bx
Ket :
Y : (Y topi) nilai yang diramalkan ∕ subyek dalam variabel dependen yang
diprediksikan.
a: Konstanta ∕ harga Y bila X = 0. Harga a dicari dengan rumus sbb:
(∑ Y i ) ( ∑ X i2 ) −( ∑ X i )(∑ X i Y i )
a= 2
n (∑ X )−( ∑ X )
i2 i x i= ( X i− X )
catatan dan

y i=( Y i−Y )
b: Koefisien regresi yang menunjukkan angka peningkatan atau penurunan variabel
dependen yang didasarkan pada variabel independen. Bila b (+) maka terjadi
kenaikan dan bila b (-) maka terjadi penurunan. Harga b dicari dengan rumus :
n (∑ X i Y i )−(∑ X i )( ∑ Y i )
b= 2
n ( ∑ X ) −(∑ X )
i2 i

[Type text] Page 2

 x : subjek pada variabel independen yang mempunyai nilai tertentu (prediktor).
Nilai a dan b disebut koefisien regresi yang nilainya ditentukan dari data. Sedangkan
¿
Y menyatakan prediksi (taksiran) dari y. Ini berarti bahwa bila x = 15 (tahun), maka
¿
kita harapkan nilai y sebesar a+15 b , sedangkan bila x = 0 maka Y =
0(sembiring,1995).
Koefisien regresi b adalah kontribusi besarnya perubahan nilai variabel bebas (x),
semakin besar nilai koefisien regresi maka kontribusi perubahan juga semakin besar dan
sebaliknya akan semakin kecil. Kontribusi perubahan variabel x juga ditentukan oleh
koefisien regresi positif atau negatif (Sunyoto, 2012).
Setelah harga a dan b diketahui maka dapat disusun persamaan regresi linear
sederhana. Sebagai contoh jika harga a = 37,77 dan harga b = 0,46 maka persamaan
¿
regresi linear sederhana adalah Y = 37,77 +0,46x. Dari persamaan regresi tersebut
dapat diartikan apabila nilai x bertambah 1 maka nilai rata-rata Y akan bertambah 0,46.
Langkah-langkah dalam perhitungan regresi sederhana adalah sebagai berikut (Dr.
Rusydi Ananda, M.Pd dan Muhammad Fadhli, M.Pd, 2018: :
1. Menghitung nilai a dan b untuk menentukan perhitungan persamaan regresi linear
sederhana dengan rumus :
(∑ Y i ) ( ∑ X i2 ) −( ∑ X i )(∑ X i Y i )
a= 2
n (∑ X )−( ∑ X )
i2 i

n (∑ X i Y i )−(∑ X i )( ∑ Y i )
b= 2
n ( ∑ X ) −(∑ X )
i2 i

2. Menghitung jumlah kuadrat

a. Jumlah kuadrat total dengan rumus :

2
JK t =∑ Y

[Type text] Page 3

 b. Jumlah kuadrat regresi a dengan rumus :
2
∑ Y
JK reg ( a ) =
N

c. Jumlah kuadrat regresi b/a dengan rumus :

(∑ X )(∑ Y )
JK reg ( b/a )=b ( ∑ XY − N )
d. Jumlah kuadrat residu dengan rumus :
JK res=JK t −JK reg ( a )−JK reg ( b/a )
3. Menentukan derajat kebebasan
a. Dkreg (a) = 1
b. Dkreg (b/a) = k = 1
c. Dkres = n-k-1
4. Menentukan rata-rata jumlah kuadrat
JK reg ( a )
RJK reg ( a )=
a. 1
JK reg ( b/a )
RJK reg ( b/ a )=
b. 1
JK reg
RJK res=
c. n−2
5. Menghitung nilai Fhitungss
RJK reg ( b/a )
Fhitung =
RJK res
6. Membandingkan harga Fhitung dengan Ftabel
Ho diterima jika Fhitung<Ftabel
Ho ditolak jika Fhitung>Ftabel
7. Menguji keberatian koefisien regresi linear sederhana dengan uji t :
 Kesalahan baku :

( JK res )2
S e=
√ n−2
Se
Sb=
2

√ ∑ X 2i − [ ( ∑ X i)
n ]
[Type text] Page 4
  Rumus Thitung adalah sebagai berikut :
b
t=
Sb
8. Menghitung koefisien korelasi
N ∑ XY −( ∑ X )( ∑ Y )
r=
2 2
√( N (∑ X )−(∑ X ) )( N (∑ Y )−(∑ Y ) )
2 2

9. Menghitung koefisien determinasi

2 2
R =r x 100 %
Contoh kasus (http://fatkhan.web.id/pengertian-dan-contoh-kasus-uji-regresi-linear-
sederhana-dan-berganda/ diakses 20 April 2020) :
Seorang pengusaha bernama Andrianto ingin meneliti tentang pengaruh biaya promosi
terhadap volume penjualan pada perusahaan minyak wangi. Dari pernyataan tesebut
didapat variabel dependen (Y) adalah volume penjualan dan variabel independen (X)
adalah biaya promosi. Data-data yang didapat ditabulasikan sebagai beriku :

No Biaya promosi Volume penjualan

1 12 56
2 14 62
3 13 60
4 12 61
5 15 65
6 13 66
7 14 60
8 15 63
9 13 65
10 14 62

Jawab
Langkah-langkah menjawab regresi linear sederhana dengan spss
1. Buka aplikasi spss
2. Pilih menu data view, lalu copy data dari word atau exel setelah itu paste.
3. pilih menu analyze, lalu pilih regression kemudian klik linear
4. pilih X lalu masukkan ke kotak independent
5. pilih Y lalu masukkan ke kotak dependen
6. pada kotak mentod pilih enter
7. abaikan yang lain dan tekan ok
Model Summary

[Type text] Page 5

 Adjusted R Std. Error of the
Model R R Square Square Estimate
1 .449a .201 .101 2.826
a. Predictors: (Constant), x
Berdasarkan tabel diatas diperoleh angka R sebesar 0,449.

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 16.095 1 16.095 2.015 .194b
Residual 63.905 8 7.988
Total 80.000 9
a. Dependent Variable: y
b. Predictors: (Constant), x

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta T Sig.
1 (Constant) 45.286 11.809 3.835 .005
x 1.238 .872 .449 1.419 .194
a. Dependent Variable: y
Ho : Tidak ada pengaruh secara signifikan antara biaya promosi dengan volume

penjualan.

H1 : Ada pengaruh secara signifikan antara biaya promosi dengan volume penjualan
Dari hasil perhitungan didapatkan :
Y =a+bx
Konstanta (a) = 45.286; koefisien regresi (b) = 1.238 dan Thit = 1.419
Dengan menggunakan tingkat signifikansi 5% pengujian dua sisi dan derajat = 8 maka
diperoleh Ttab : 2.306004. karena Thit < Ttab, maka Ho ditolak kesimpulannya, terdapat
pengaruh yang signifikan antara biaya promosi dengan volume penjualan.
B. Regresi Berganda
Sampai saat ini, kita baru mempelajari analisis regresi yang terdiri dari dua peubah
saja, yakni sebuah peubah bebas dan sebuah peubah tak bebas yang didekati oleh garis
lurus. Tentu saja kita memahami bahwa aja juga analisis regresi dimana terdapat lebih dari
dua peubah, yakni analisis regresi bebas lainnya. Analisis ini sering disebut analisis regresi
ganda (multiple liniear regression analysis) (Yusuf Wibisino, 2005: 547).
Jika variabel bebas x lebih dari satu, diperlukan grafik yang lain untuk menunjukkan
hubungan antara variabel tak bebas y dengan semua variabel bebas x-nya. Misalnya,
pertumbuhan mikroba merupakan fungsi dari suhu, nutrien dan space. Jika total mikroba
disimbolkan dengan y, besarnya suhu dengan x1, jumlah nutrien x2 dan space dengan x3,

[Type text] Page 6

 maka pendugaan nilai y diperoleh dengan menggunakan prosedur kuadrat terkecil
terhadap data hasil pengukuran suhu, nutrien dan space. Dalam bentuk variabel x dan y,
dapat diberikan bahwa y dipengaruhi oleh x1, x2, dan x3 .

Regresi ganda digunakan untuk mengetahui linearitas hubungan dua atau lebih
variabel independen dengan satu variabel dependen dan dapat pula digunakan untuk
memprediksi harga variabel dependen jika harga-harga variabel independen diketahui.
Rumus umum persamaan linear regresi ganda adalah sebagai berikut (Dr. Rusydi Ananda,
M.Pd dan Muhammad Fadhli, M.Pd, 2018: 265) :
¿
Y =a+b1 x 1 +b 2 x 2

Sebelum menggunakan analisis regresi ganda perlu dikontrol terhadap beberapa

kondisi yang berkaitan dengan data. Beberapa syarat yang harus dikontrol dan dipenuhi
dalam analisis regresi ganda dijelaskan Irianto (2004) sebagai berikut (Dr. Rusydi Ananda,
M.Pd dan Muhammad Fadhli, M.Pd, 2018: 262-266) :

1. Sampel harus diambil secara acak (random) dari populasi yang berdistribusi normal.
2. Oleh karena sampel diambil dari populasi yang berdistribusi normal, maka sampel juga
harus berdistribusi normal. Normalitas daat diatasi dengan mengambil sampel banyak.
Disamping itu, normalitas dapat diuji dengan normalitas menggunkan uji Liliefors.
3. Data variabel terikat harus berskala interval atau skala rasio, sedangkan skala untuk
variabel bebas tidak harus interval atau rasio tetapi bisa juga untuk data yang berskala
lebih rendah.
4. Antara variabel bebas dan variabel terikat mempunyai hubungan secara teoritis dan
melalui perhitungan korelasi sederhana dapat diuji signifikansi hubungan tersebut.
5. Persamaan regresi yang terbentuk harus linear.

Langkah-langkah penyelesaian persamaan linear ganda sebagai berikut (Dr. Rusydi

Ananda, M.Pd dan Muhammad Fadhli, M.Pd, 2018: 266-268) :

a. Menentukan skor deviasi ukuran sebagai berikut :

2
2 2 (∑ Y )
∑ y =∑ Y −
N

2
(∑ X 1 )
∑ x 21 =
∑ X 21 −
 N

[Type text] Page 7

 2
(∑ X 2 )
∑ x 22=∑ X 22− N


(∑ X 1 ) ( ∑ Y )
∑ x 1 y=∑ X 1 Y − N


(∑ X 2 ) ( ∑ Y )
∑ x 2 y=∑ X 2 Y − N


(∑ X 1)(∑ X 2 )
∑ x 1 x 2=∑ X 1 X 2 − N

b. Menentukan koefisien-koefisien dan konstanta persamaan regresi ganda :
 Koefisien regresi X1

( ∑ x 22 ) ( ∑ x 1 y )−( ∑ x 1 x 2 )(∑ x2 y )
b1 =
(∑ x12 )(∑ x 22 )−( ∑ x 1 x 2)
 Koefisien regresi X2

(∑ x 21) ( ∑ x 2 y )−(∑ x 1 x 2)(∑ x 1 y )

b2 =
(∑ x 21)(∑ x22 )−( ∑ x 1 x 2)
 Konstanta regresi ganda

∑ Y −b ∑ X 1 −b ∑ X 2
a=
n 1 ( ) ( )
n 2
n
c. Menentukan persamaan umum regresi ganda sebagai berikut :
¿
Y =a+b1 x 1 +b 2 x 2
d. Menentukan jumlah kuadrat sumber varian sebagai berikut :
 JKreg Y atas X1 dan X2 yaitu :
JK reg=b 1 ∑ x1 y +b2 ∑ x 2 y
 JKres yaitu :
2
JK res=∑ y −JK reg
e. Menentukan derajat kebebasan sumber varian sebagai berikut :
 Dkreg = k
 Dkres = n - k – 1
Ket :
K = banyaknya variabel predictor
N = banyaknya pasang data (banyak subjek/sampel penelitian)

[Type text] Page 8

 f. Menetukan rata-rata jumlah kuadrat sumber varian sebagai berikut :
JK reg
RJK reg=
 dk reg

JK res
RJK res =
 dk res

g. Menentukan harga Fhitung sebagai berikut :

JK reg
k
Fhit = RJK reg
JK res
Fhit =
( n−k −1 ) atau RJK res

h. Membandingkan harga Fhitung dengan Ftabel

 Ho diterima jika Fhitung < Ftabel
 Ho ditolak jika Fhitung > Ftabel
i. Menguji keberatian pengaruh setiap variabel bebas(prediktor) sebagai berikut :
 Kesalahan baku :

JK res
S e=
√ n−k−1
 Kesalahan baku koefisien regresi berganda b1 dan b2 :
Se
Sb 1=
√ (∑ X 21 −n X 21 )( 1−r Y . 1 2 )
Se
Sb 2 =
2 2
√( ∑ X −n X ) (1−r
2 2 Y . 12 )
Xi=
∑ Xi
n

 Koefisien korelasi antara (

rY .1 )

n ∑ X 1 X 2 −∑ X 1 ∑ X 2
r Y .1 =
2 2
√(n ∑ X −( ∑ X ) )(n ∑ X −( ∑ X ) )
2
1 1
2
2 2

 Menentukan Thitung :
b1
T hitung=
Sb1
j. Menghitung Koefisien Determinasi (r2)

[Type text] Page 9

 JK reg
r2=
∑ y2
k. Menghitung Koefisien Korelasi

JK reg
r=
√∑
l. Membuat kesimpulan
y2

Contoh kasus (http://fatkhan.web.id/pengertian-dan-contoh-kasus-uji-regresi-linear-

sederhana-dan-berganda/ diakses 20 April 2020) :
Seorang pengamat pasar modal bernama Sugianto ingin melakukan penelitian tentang
factor-faktor yang mempengaruhi harga saham pada perusahaan. Sugianto ingin
mengetahui hubungan antara rasio keuangan PER dan ROI (Return On Investment)
terhadap harga saham. Dari pernyataan tersebut, didapatkan variabel dependen (Y)
yaitu harga saham dan variabel independen (X1 dan X2) yaitu PER dan ROI. Data yang
ditabulasikan sebagai berikut:

Tahun Harga saham PER(%) ROI(%)

2003 8300 5 6
2004 7500 3 5
2005 8950 4 4
2006 8250 5 6
2007 9000 4 3
2008 8750 3 5
2009 9500 5 6
2010 8500 6 4
2011 8350 4 6
2012 9500 6 5
2013 9750 7 6
Jawab :
Langkah-langkah menggunakan SPSS yaitu sebagai berikut:
1. Buka aplikasi SPSS
2. Pilih data view lalu copy data diword atau exel setelah itu paste
3. Pilih analyze, klik regression lalu klik linear
4. Klik X1 dan X2 lalu masukkan ke kotak independent
5. Klik Y dan masukan ke kotak dependent
6. Pilih mentod klik enter
7. Abaikan yang lain lalu klik ok

Variables Entered/Removeda

[Type text] Page 10

 Variables Variables
Model Entered Removed Method
1 X2, X1b . Enter
a. Dependent Variable: Y
b. All requested variables entered.

Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 .606a .368 .210 593.961
a. Predictors: (Constant), X2, X1

Beradasarkan tabel diatas diperoleh angka R sebesar 0.606. Hal ini menunjukkan bahwa
terjadi hubungan yang sangat kuat antara X1 dan X2 terhadap Y.

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 1641769.089 2 820884.545 2.327 .160b
Residual 2822321.820 8 352790.228
Total 4464090.909 10
a. Dependent Variable: Y
a. Predictors: (Constant), X2, X1

Berdasarkan data diatas, di dapat nilai signifikan F sebesar 2.327 (P > 0,05) maka
dapat disimpulkan bahwa Ho diterima artinya variabel PER dan ROI tidak
a
berpengaruh secara signifikanCoefficients
terhadap harga saham.
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 7735.088 1052.561 7.349 .000
X1 328.618 152.348 .626 2.157 .063
X2 -104.002 185.548 -.163 -.561 .590
a. Dependent Variable: Y

Data diatas menunjukkan bahwa Thitung untuk X1 (PER) adalah sebesar 2.157 dan Ttabel adalah
sebesar 2.364. Karena Thit PER ≤ Ttab. Ho diterima artinya variabel harga PER tidak
berpengaruh secara signifikan terhadap harga saham.

Data diatas menunjukkan bahwa Thitung untuk X2 (ROI) adalah sebesar -0.561 dan Ttabel
adalah sebesar 2.364. Karena Thit ROI ≥ -Ttab, maka Ho diterima artinya variabel harga ROI
tidak berpengaruh secara signifikan terhadap harga saham.

[Type text] Page 11

 BAB III
PENUTUP
A. Kesimpulan
Regresi sederhana atau tunggal digunakan apabila peneliti ingin mengetahui linearitas
hubungan satu variabel bebas (X) dan satu variabel terikat (Y) dan dapat pula digunakan
untuk memprediksi kenaikan variabel dependen jika variabel dependen diketahui .
Persamaan Regresi Linear Sederhana ( Dr. A Saepul Hamdani, M.Pd dan Maunah
Setyawati, M.Pd 2013: 204) adalah sebagai berikut :
¿
Y =a+bx

Jika variabel bebas x lebih dari satu, diperlukan grafik yang lain untuk menunjukkan
hubungan antara variabel tak bebas y dengan semua variabel bebas x-nya. Misalnya,
pertumbuhan mikroba merupakan fungsi dari suhu, nutrien dan space. Jika total mikroba
disimbolkan dengan y, besarnya suhu dengan x1, jumlah nutrien x2 dan space dengan x3,
maka pendugaan nilai y diperoleh dengan menggunakan prosedur kuadrat terkecil
terhadap data hasil pengukuran suhu, nutrien dan space. Dalam bentuk variabel x dan y,
dapat diberikan bahwa y dipengaruhi oleh x1, x2, dan x3 .

Regresi ganda digunakan untuk mengetahui linearitas hubungan dua atau lebih
variabel independen dengan satu variabel dependen dan dapat pula digunakan untuk
memprediksi harga variabel dependen jika harga-harga variabel independen diketahui.

[Type text] Page 12

 Rumus umum persamaan linear regresi ganda adalah sebagai berikut (Dr. Rusydi Ananda,
M.Pd dan Muhammad Fadhli, M.Pd, 2018: 265) :
¿
Y =a+b1 x 1 +b 2 x 2

DAFTAR PUSTAKA
http://fatkhan.web.id/pengertian-dan-contoh-kasus-uji-regresi-linear-sederhana-dan-
berganda/ diakses 20 April 2020)
Wibisono, yusuf. 2005. Metode Statistik. Yoyakarta: Gajah Mada University Press.

Hamdani, M.Pd, Dr. A Saepul dan Maunah Setyawati, M.Pd. 2013. Statistik Terapan.
Surabaya: Iain Sunan Ampel Surabaya.

Ananda, M.Pd, Dr. Rusyadi dan Muhammad Fadhli, M.Pd. 2018. Statistik Pendidikan (Teori
dan Praktik dalam Pendidikan. Medan: CV. Widya Puspita.

[Type text] Page 13