PENDAHULUAN
A. Latar Belakang
B. Rumusan Masalah
1. Bagaimana Pengertian analisis Regresi sederhana?
2. Bagaimana Menggunakan analisis regresi sederhana ?
C. Tujuan Masalah
1
BAB II
PEMBAHASAN
2
+ bX. Dan karena antara Y dan X memiliki hubungan, maka nilai X dapat
digunakan untuk menduga atau meramal nilai Y. X dinamakan variabel bebas
karena variabel ini nilai-nilainya tidak bergantung pada variabel lain. Dan Y
disebut variabel terikat juga karena variabel yang nilai-nilainya bergantung pada
variabel lain. Hubungan antar variabel yang akan dipelajari disini hanyalah
hubungan linier sederhana, yakni hubungan yang hanya melibatkan dua variabel
(X dan Y) dan berpangkat satu.
Menurut kelaziman, dalam ilmu statistika ada dua macam hubungan antara
dua variabel yang relatif sering digunakan, yakni bentuk hubungan dan keeratan
hubungan. Bentuk hubungan bisa diketahui melalui analisis regresi, sedangkan
keeratan hubungan dapat diketahui dengan analisis korelasi. Analisis regresi
dipergunakan untuk menelaah hubungan antara dua variabel atau lebih, terutama
untuk menelusuri pola hubungan yang modelnya belum diketahui dengan baik,
atau untuk mengetahui bagaimana variasi dari beberapa variabel independen
mempengaruhi variabel dependen dalam suatu fenomena yang kompleks. Jika X1,
X2, ...., Xn, adalah variabel-variabel independen dan Y adalah variabel dependen,
maka terdapat hubungan fungsional antara X dan Y, di mana variasi dari X akan
diiringi pula oleh variasi dari Y. Jika dibuat secara matematis hubungan itu dapat
dijabarkan sebagai berikut: Y = f(X1, X2, ....., Xn, e), di mana Y adalah variabel
dependen (tak bebas), X adalah variabel independen (bebas) dan e adalah variabel
residu (disturbace term).
Berkaitan dengan analisis regresi ini, setidaknya ada empat kegiatan yang
lazim dilaksanakan yakni : (1) mengadakan estimasi terhadap parameter
berdasarkan data empiris, (2) menguji berapa besar variasi variabel dependen
3
dapat diterangkan oleh variasi independen, (3) menguji apakah estimasi parameter
tersebut signifikan atau tidak, dan (4) melihat apakah tanda magnitude dari
estimasi parameter cocok dengan teori.
Hubungan antar variabel dapat berupa hubungan linier ataupun hubungan tidak
linier. Misalnya, berat badan orang dewasa sampai pada tahap tertentu bergantung
pada tinggi badan, keliling lingkaran bergantung pada diameternya, dan tekanan
gas bergantung pada suhu dan volumenya. Atau dalam ilmu pemasaran, nilai
penjualan akan bergantung pada biaya promosi. Hubungan-hubungan itu bila
dinyatakan dalam bentuk matematis akan memberikan persamaan-persamaan
tertentu. Untuk dua variabel, hubungan liniernya dapat dinyatakan dalam bentuk
persamaan linier, yakni: Y = a + bX. Hubungan antara dua variabel pada
persamaan linier jika digambarkan secara (scatter diagram), semua nilai Y dan X
akan berada pada suatu garis lurus. Dan dalam ilmu ekonomi, garis itu dinamakan
garis regresi.
Analisis regresi adalah salah satu analisis yang paling populer dan luas
pemakaiannya. Hampir semua bidang ilmu yang memerlukan analisis sebab -
akibat boleh dipastikan mengenal analisis ini. Analisis regresi dan analisis korelasi
dikembangkan untuk mengkaji dan mengukur hubungan antara dua variabel atau
lebih. Dalam analisis regresi dikembangkan persamaan estimasi untuk
4
mendeskripsikan pola atau fungsi hubungan antara variabel-variabel. Sesuai
dengan namanya, persamaan estimasi atau persamaan regresi itu digunakan untuk
mengestimasi nilai dari suatu variabel berdasarkan nilai variabel lainnya. Variabel
yang di estimasi itu disebut variabel dependen (atau variabel terikat) sedangkan
variabel yang diperkirakan memengaruhi variabel dependen itu disebut variabel
independen (atau variabel bebas). Variabel dependen lazimnya dilukis pada
sumbu- Y (dan karenanya diberi simbol Y) sementara variabel independen dilukis
pada sumbu- X (dan karenanya diberi simbol X). Berdasarkan konsep ini, maka
hubungan antara variabel Y dan X dapat diwakili dengan sebuah garis regresi. Di
samping untuk mengestimasi, analisis regresi juga digunakan untuk mengukur
tingkat ketergantungan (dependability) dari estimasi itu.
5
perakitan di tabulasi seperti ditunjukkan pada tabel. Jika data tersebut dilukis
koordinat cartesian, maka diperoleh sebaran titik-titik (X;Y) seperti ditunjukkan
pada gambar, (titik C dan F menunjukkan data yang berkaitan dengan responden
C dan F).
a = konstanta
b = koefisien regresi
6
Y = Variabel dependen/ variabel terikat/ variabel tak bebas
(kejadian)
( ∑ Y i )( ∑ X 2 )−( ∑ X i )( ∑ X i Y i )
i
a=
n ∑ X 2 −( ∑ X i )2
i
n ( ∑ X i Y i )−( ∑ X i )( ∑ Y i )
b=
n ∑ X 2−(∑ X i )2
i
2. Menghitung Jumlah Kuadrat (JK) dan Jumlah Produk (JP) dan Korelasi
X = Dasar Manajemen
Y = Keterampilan Manajerial
No Xi Yi Xi²
1 72 70 5,184
2 78 88 6,084
3 69 97 4,761
1. Membuat tabel belanja statistik
8
2. Mencari JK (Jumlah Kuadrat) dan JP (Jumlah Produk) dan Korelasi
r=
∑ xy =50 ,75 =
50 , 75
=
50 , 75
=0 , 0949
2 2
√( ∑ x )(∑ y ) √ (382, 25)(746 , 91) √ 285. 506 , 34 534 ,3279
( ∑ Y i )( ∑ X 2 )−( ∑ X i )( ∑ X i Y i )
i (1. 039 )( 65 . 651)−(885 )(76 . 677 )
a= 2
=
n ∑ X 2 −( ∑ X i ) (12)(65 .651 )−(885)2
i
(68 . 211. 389 )−(67 . 859 .145 ) 352 . 244
a= = =76 ,79
(787 . 812)−(783. 225 ) 4 . 587
Y^ = 76,79 + 0,13 X
9
4. Mencari F Regresi dan Menguji Taraf Signifikansi
JK (total) =
∑ Y i 2=90. 707
(∑ X i )( ∑ Y i )
JK re gresi=b {∑ Xi Y i−
n } {
= 0 ,13 76 .677−
(885 )(1 . 039)
12 } =0 , 13(50 ,75 )=6 ,7379
= 740,1791
dk regresi =m=1
dk residu = n – m – 1 = 12 – 1 – 1 = 10
JK regresi 6 ,73
RJK regresi = = =6 ,73
dk regresi 1
JK residu 740 , 17
RJK residu= = =74 , 01
dk residu 10
dk pembilang 1 dan dk penyebut 10 maka F tabel (1,10) pada p = 0,05 atau F (1,10)
(0,05) = 4,96
10
Berdasarkan data tersebut dapat disusun tabel rangkuman analisis regresi untuk
persamaan garis
^
Y=76,79+0,13 X sebagai berikut :
F tabel
Sumber Variasi dk JK RJK F hitung
p = 0,05
Regresi 1 6.73 6.7 0,09 4,96
Residu 10 740.17 74.01 - -
Total 11 746.9 - - -
Hipotesis:
11
BAB III
PENUTUP
A. Kesimpulan
Ada dua macam linieritas dalam analisis regresi, yaitu linieritas dalam variabel
dan linieritas dalam parameter. Yang pertama, linier dalam variabel merupakan
nilai rata-rata kondisional variabel tergantung yang merupakan fungsi linier dari
variabel (variabel) bebas. Sedang yang kedua, linier dalam parameter merupakan
fungsi linier parameter dan dapat tidak linier dalam variabel.
Model dikatakan baik menurut Gujarati (2006), jika memenuhi beberapa kriteria
seperti di bawah ini :
12
DAFTAR PUSTAKA
Meade, N. and T. Islam (1995) "Prediction Intervals for Growth Curve Forecasts,"
Journal of Forecasting, 14, pp. 413–430.
N. Cressie (1996) Change of Support and the Modiable Areal Unit Problem.
Geographical Systems 3:159–180.
13