BAB I

PENDAHULUAN

A. Latar Belakang

Untuk mengukur besarnya pengaruh variabel bebas terhadap variabel

tergantung dan memprediksi variabel tergantung dengan menggunakan variabel
bebas. Gujarati (2006) mendefinisikan analisis regresi sebagai kajian terhadap
hubungan satu variabel yang disebut sebagai variabel yang diterangkan (the
explained variabel) dengan satu atau dua variabel yang menerangkan (the
explanatory). Variabel pertama disebut juga sebagai variabel tergantung dan
variabel kedua disebut juga sebagai variabel bebas. Jika variabel bebas lebih dari
satu, maka analisis regresi disebut regresi linear berganda. Disebut berganda
karena pengaruh beberapa variabel bebas akan dikenakan kepada variabel
tergantung.

B. Rumusan Masalah
1. Bagaimana Pengertian analisis Regresi sederhana?
2. Bagaimana Menggunakan analisis regresi sederhana ?

C. Tujuan Masalah

Tujuan menggunakan analisis regresi ialah :

 Membuat estimasi rata-rata dan nilai variabel tergantung dengan

didasarkan pada nilai variabel bebas.
 Menguji hipotesis karakteristik dependensi.
 Untuk meramalkan nilai rata-rata variabel bebas dengan didasarkan pada
nilai variabel bebas di luar jangkauan sampel.

1
 BAB II

PEMBAHASAN

A. Pengertian Analisis Regresi

Sir Francis Galton (1822 – 1911), memperkenalkan model peramalan,

penaksiran, atau pendugaan, yang selanjutnya dinamakan regresi, sehubungan
dengan penelitiannya terhadap tinggi badan manusia. Penelitian tersebut
membandingkan antara tinggi anak laki-laki dan tinggi badan ayahnya. Galton
menunjukkan bahwa tinggi badan anak laki-laki dari ayah yang tinggi setelah
beberapa generasi cenderung mundur (regressed) mendekati nilai tengah populasi.
Dengan kata lain, anak laki-laki dari ayah yang badannya sangat tinggi cenderung
lebih pendek dari pada ayahnya, sedangkan anak laki-laki dari ayah yang
badannya sangat pendek cenderung lebih tinggi dari ayahnya. (Ronal E. Walpole).
Analisis regresi digunakan untuk menentukan bentuk (dari) hubungan antar
variabel. Tujuan utama dalam penggunaan analisis ini adalah untuk meramalkan
atau menduga nilai dari satu variabel dalam hubungannya dengan variabel yang
lain yang diketahui melalui persamaan garis regresinya.

Adakalanya, setelah kita memperoleh data berdasarkan sampel, kita ingin

menduga nilai dari suatu variabel Y yang bersesuaian dengan nilai tertentu dari
variabel X. Hal ini diperoleh dengan menaksir nilai Y dari kurva kuadrat
minimum yang sesuai dengan data yang kita himpun dari sampel. Kurva yang
diperoleh dan kita bentuk dari data sampel itu disebut kurva regresi Y terhadap X,
karena Y diduga dari X.

Dalam melakukan analisis regresi, sebagian besar mahasiswa biasanya

tidak melakukan pengamatan populasi secara langsung. Hal itu dilakukan selain
pertimbangan waktu, tenaga, juga berdasarkan pertimbangan biaya yang relatif
besar jika melakukan pengamatan terhadap populasi. Dalam hal ini, lazimnya
digunakan persamaan regresi linier sederhana sampel sebagai penduga persamaan
regresi linier sederhana populasi dengan bentuk persamaan seperti berikut : y = a

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.

Regresi sederhana, adalah bentuk regresi dengan model yang bertujuan

untuk mempelajari hubungan antara dua variabel, yakni variabel independen
(bebas) dan variabel dependen (terikat). Jika ditulis dalam bentuk persamaan,
model regresi sederhana adalah y = a + bx, di mana, y adalah variabel tak bebas
(terikat), X adalah variabel bebas, a adalah penduga bagi intercept (α), b adalah
penduga bagi koefisien regresi (β). Atau dengan kata lain α dan β adalah
parameter yang nilainya tidak diketahui sehingga diduga melalui statistik sampel.

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.

B. Kegunaan Analisis Regresi

Analisis regresi dalam statistika adalah salah satu metode untuk

menentukan hubungan sebab -akibat antara satu variabel dengan variabel (-
variabel) yang lain. Variabel "penyebab" disebut dengan bermacam-macam
istilah: variabel penjelas, variabel eksplanatorik, variabel independen, atau secara
bebas, variabel X (karena sering kali digambarkan dalam grafik sebagai absis,
atau sumbu X). Variabel terkena akibat dikenal sebagai variabel yang
dipengaruhi, variabel dependen, variabel terikat, atau variabel Y. Kedua variabel
ini dapat merupakan variabel acak (random), namun variabel yang dipengaruhi
harus selalu variabel acak.

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.

Analisis korelasi digunakan untuk mengukur tingkat kedekatan (closeness)

hubungan antar variabel-variabel. Dengan kata lain, analisis regresi
mempertanyakan pola hubungan fungsional sedangkan analisis korelasi
mempertanyakan kedekatan hubungan antar variabel-variabel. Walaupun
dimungkinkan penggunaan analisis regresi dan analisis korelasi secara terpisah,
namun dalam kenyataan, istilah analisis korelasi mencakup baik masalah korelasi
dan regresi.

Analisis regresi lebih akurat dalam melakukan analisis korelasi, karena

pada analisis itu kesulitan dalam menunjukkan slop (tingkat perubahan suatu
variabel terhadap variabel lainnya dapat ditentukan). Dengan demikian maka
melalui analisis regresi, peramalan nilai variabel terikat pada nilai variabel bebas
lebih akurat pula.

Upaya mengestimasi atau memprediksi lazimnya diawali dengan

mengadakan eksperimen. Sebagai contoh dikemukakan eksperimen yang
dilakukan oleh suatu perusahaan yang memproduksi mainan anak-anak.
Eksperimen itu didasarkan pada penalaran bahwa “ karyawan yang berbakat akan
lebih produktif daripada karyawan yang kurang berbakat dalam pembuatan
mainan anak-anak”. Untuk maksud tersebut perusahaan memilih delapan
responden yang harus mengikuti aptitude-test dan dihubungkan hasil perakitan
mainan anak-anak dalam seminggu dihitung. Tabulasi skor aptitude-test dan hasil

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).

Analisis regresi mempelajari hubungan yang diperoleh dinyatakan dalam

persamaan matematika yang menyatakan hubungan fungsional antara variabel-
variabel. Hubungan fungsional antara satu variabel prediktor dengan satu variabel
kriterium disebut analisis regresi sederhana (tunggal), sedangkan hubungan
fungsional yang lebih dari satu variabel disebut analisis regresi ganda.

C. Regresi Linier Sederhana

Sebagaimana diketahui, banyaknya kejadian didunia ini yang merupakan
kejadian yang saling menyebabkan. Kejadian yang saling menyebabkan adalah
suatu kejadian yang keterjadiannya akan menyebabkan keterjadian kejadian yang
lain. Contoh yang kongkrit adalah penggunaan metode belajar think pair share
meningkatkan hasil belajar siswa.
Untuk mencari suatu pengaruh variabel terhadap variabel lain, alat analisis
yang kita gunakan adalah analisis regresi. Hasil analisis regresi berupa persamaan
regresi yang merupakan fungsi prediksi suatu variabel dengan menggunakan
variabel lain.
Model regresi linier sederhana merupakan persamaan yang menyatakan
hubungan antara satu variabel predictor (X) dan satu variabel respon (Y), yang
biasanya digambarkan dalam suatu garis lurus.

Persamaan regresi linier sederhana : Y^ =a+bX

Keterangan: Y^ = regresi (dibaca Y topi)

a = konstanta

b = koefisien regresi

6
 Y = Variabel dependen/ variabel terikat/ variabel tak bebas
(kejadian)

X = Variabel independen/ variabel bebas/ variabel predictor

(penyebab)

Koefisien-koefisen regresi dapat dihitung dengan rumus:

( ∑ 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

D. Langkah-langkah Melakukan Analisis Regresi Sederhana

Langkah langkah yang ditempuh dalam melakukan analisis regresi
sederhana adalah:

1. Membuat Tabel Belanja Statistik

2. Menghitung Jumlah Kuadrat (JK) dan Jumlah Produk (JP) dan Korelasi

3. Mencari Persamaan Garis Regresi

4. Mencari f Regresi dan Menguji Taraf Signifikansi

Untuk contoh akan dibahas tentang hubungan penguasaan Dasar

Manajemen dengan Keterampilan Manajerial.

X = Dasar Manajemen

Y = Keterampilan Manajerial

Data disajikan sebagai Berikut:

Penguasaan Dasar
-dasar Manajemen 72 78 69 80 75
(Xi)
Keterampilan
70 88 97 82 79
Manajerial (Yi)
7
Penyelesaian :

No Xi Yi Xi²
1 72 70 5,184
2 78 88 6,084
3 69 97 4,761
1. Membuat tabel belanja statistik

Statistik Induk Nilai JK dan JP

n 12
∑Xi 885

8
2. Mencari JK (Jumlah Kuadrat) dan JP (Jumlah Produk) dan Korelasi

Jumlah Kuadrat (JK):

2( ∑ X i )2 (885 )2 783 . 225

JKx=∑ x =∑ X 2− =65. 651− =65 . 651− =382 , 25
i n 12 12

2 ( ∑ Y i )2 (1 . 039)2 1 . 079. 521

JKy=∑ y =∑ Y 2− =90 . 707− =90 .707− =746 , 91
i n 12 12

Jumlah Produk (JP):

( ∑ X i )( ∑ Y i ) (885 )(1. 039 ) 919 .515

JPxy =∑ xy= ∑ X i Y i − =76 . 677− =76 . 677− =50 , 75
n 12 12
Korelasi:

r=
∑ xy =50 ,75 =
50 , 75
=
50 , 75
=0 , 0949
2 2
√( ∑ x )(∑ y ) √ (382, 25)(746 , 91) √ 285. 506 , 34 534 ,3279

3. Mencari Persamaan Garis Regresi

( ∑ 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

n( ∑ X i Y i )−( ∑ X i )( ∑ Y i ) (12)(76 . 677)−(885 )(1. 039)

b= =
n ∑ X 2 −( ∑ X i )2 (12)(65 . 651)−(885)2
i
(920 . 124 )−(919 . 515) 609
b= = =0 , 13
(787 . 812)−(783. 225 ) 4 . 587

Persamaan garis regresinya adalah: Y^ = a + bX

Y^ = 76,79 + 0,13 X

9
4. Mencari F Regresi dan Menguji Taraf Signifikansi

JK (total) =
∑ Y i 2=90. 707

( ∑ Y i )2 (1. 039 )2 1 . 079 .521

= = =89 . 960 , 083
JK (a) = n 12 12

(∑ 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

JK residu = JK (total) –JK (a) – JK regresi

= 90.707 – 89.960,083 – 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

Hipotesis diuji dengan uji F :

RJK regresi 6 ,73

F= = =0 , 09
RJK residu 74 , 01

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:

Ho = Koefisien arah regresi tidak berarti

Ha = Koefisien arah regresi berarti

Dari hasil perhitungan ternyata Fh (0,09) < Ft (4,96)

Hasil pengujian : Ho diterima

Kesimpulan : Tidak terdapat hubungan yang signifikan antara Penguasaan

Dasar-dasar Manajemen dengan Keterampilan Manajerial
pada taraf signifikansi 5 persen.

11
 BAB III

PENUTUP

A. Kesimpulan

Analisis regresi berbeda dengan analisis korelasi. Jika analisis korelasi

digunakan untuk melihat hubungan dua variable; maka analisis regresi digunakan
untuk melihat pengaruh variable bebas terhadap variable tergantung serta
memprediksi nilai variable tergantung dengan menggunakan variable bebas.
Dalam analisis regresi variable bebas berfungsi untuk menerangkan (explanatory)
sedang variable tergantung berfungsi sebagai yang diterangkan (the explained).
Dalam analisis regresi data harus berskala interval atau rasio.

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 :

 Parsimoni: Suatu model tidak akan pernah dapat secara sempurna

menangkap realitas; akibatnya kita akan melakukan sedikit abstraksi
ataupun penyederhanaan dalam pembuatan model.
 Mempunyai Identifikasi Tinggi: Artinya dengan data yang ada, parameter-
parameter yang di estimasi harus mempunyai nilai-nilai yang unik atau
dengan kata lain, hanya akan ada satu parameter saja.
 Keselarasan (Goodness of Fit): Tujuan analisis regresi ialah menerangkan
sebanyak mungkin variasi dalam variabel tergantung dengan
menggunakan variabel bebas dalam model. Oleh karena itu, suatu model
dikatakan baik jika eksplanasi diukur dengan menggunakan nilai adjusted
r2 yang setinggi mungkin.

12
 DAFTAR PUSTAKA

William H. Kruskal and Judith M. Tanur, ed. (1978), "Linear Hypotheses,"

International Encyclopedia of Statistics. Free Press, v. 1, Evan J. Williams, "I.
Regression," pp. 523–41.

Julian C. Stanley, "II. Analysis of Variance," pp. 541–554.

Lindley, D.V. (1987). "Regression and correlation analysis," New Palgrave: A

Dictionary of Economics, v. 4, pp. 120–23.

Birkes, David and Yadolah Dodge, Alternative Methods of Regression. ISBN 0-

471-56881-3

Chatfield, C. (1993) "Calculating Interval Forecasts," Journal of Business and

Economic Statistics, 11. pp. 121–135.

Corder, G.W. and Foreman, D.I. (2009).Nonparametric Statistics for Non-

Statisticians: A Step-by-Step Approach Wiley, ISBN 978-0-470-45461-9

Draper, N.R. and Smith, H. (1998).Applied Regression Analysis Wiley Series in

Probability and Statistics

Fox, J. (1997). Applied Regression Analysis, Linear Models and Related

Methods. Sage

Hardle, W., Applied Nonparametric Regression (1990), ISBN 0-521-42950-1

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.

A.S. Fotheringham, C. Brunsdon, and M. Charlton. (2002) Geographically

weighted regression: the analysis of spatially varying relationships. Wiley.

13