MAKALAH STATISTIKA INFERENSIAL

ANALISIS REGRESI

Prodi : Pendidikan Matematika

Dosen Pengampu : Dr. Rohmatul Umami, M.Si.

Disusun oleh :

1. Samrotul Alfilaila (185060)

2. Mulya Hanum Wijaya (185074)
3. Nur Fauzi Arif .D (185079)

Kelas: 2018B

SEKOLAH TINGGI KEGURUAN DAN ILMU PENDIDIKAN

(STKIP) PGRI JOMBANG
TAHUN AKADEMIK 2019/2020

BAB 1

1
 PENDAHULUAN
1.1 Latar Belakang
Metode Analisis yang telah dibicarakan hingga sekarang adalah analisis
terhadap data mengenai sebuah karakteristik atau atribut (jika data itu kuantitatif)
dan mengenai sebuah variabel,diskrit ataupun kontinu (jika kuantitatif). Tetapi,
sebagaimana disadari, banyak persoalan atau fenomena yang meliputi lebih dari
sebuah variabel. Misalnya berat orang dewasa laki-laki sampai taraf tertentu
bergantung pada tingginya, hasil produksi padi tergantung pada jumlah pupuk
yang digunakan, banyak hujan, cuaca dan sebagainya.
Akibatnya terasa perlu untuk mempelajari analisis data yang terdiri atas
banyak variabel. Jika mempunyai data yang terdiri atas dua atau lebih variabel,
adalah sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu
berhubungan. Hubungan yang didapat pada umumnya dinyatakan dalam bentuk
persamaan matematik yang menyatakan hubungan fungsional antara variabel-
variabel. Studi yang menyangkut masalah ini dikenal dengan analisis regresi.

1.2 Tujuan
 Dapat memahami hubungan fungsioanal antara variabel
 Dapat memahami metoda kuadrat terkecil untuk regresi linear

2
 BAB II
PEMBAHASAN

2.1. Hubungan Fungsional Antara Variabel

Analisis Regresi dibedakan menjadi dua jenis variabel yaitu variabel bebas dan
variabel takbebas. Variabel yang mudah didapat atau tersdia sering dapat digolongkan
kedalam varabel bebas sedangkan variabel yang terjadi karena variabel bebas itu
merupakan variabel takbebas. Untuuk keperluan analisis , variabel bebas akan
dinyatakan dengan X 1 , X 2 , … , X k (k ≥ 1) sedangkan variabel takbebas akan dinyatakan
dengan Y .
Model atau persamaan regresi untuk populasi secara umum dapat dituliskan dalam
bentuk

μy . x 1, x 2 ,… , x k =f ( x 1 , x 2 ,… , x k|θ1 , θ 2 ,… , θm ) . . . . . .RUMUS 1

Dengan θ1 , θ2 , …, θ m parameter yang ada dalam regresi itu.Sebuah contoh regresi yang
sederhana untuk populasi dengan sebuah variabel bebas ialah dikenal dengan regresi
linear sederhana dengan model

μ y . x =θ1 +θ2 X . . . . .
RUMUS 2

Persamaan regresi populasi yang persamaan umumnya dituliskan dalam RUMUS 1

akan ditentukan atau lebih tepatnya ditaksir. Ini dapat dilakukan dengan jalan
menaksir parameter-parameter θ1 , θ2 , …, θ m. Untuk regresi linier sederhana misalnya,
perlu ditaksir θ1 dan θ2. Jika θ1 dan θ2 ditaksir oleh a dan b, maka regresi berdasarkan
sampel adalah

3
 Y^ =a+bX . . . . . RUMUS
3

Model regresi populasi pangkat dua atau parabola untuk sebuah variabel bebas
dengan paramter θ1 , θ2 , danθ 3 adalah

μ y . xx =θ1 +θ 2 X +θ 3 X 2 . . . .
2

. RUMUS 4

Regresi dari hasil penelitian yang dipakai dalam rumus diatas adalah

Y^ =a+bX +c X 2 . . . . .
RUMUS 5

2.2. Metoda Kuadrat Terkecil untuk Regresi Linear

Untuk fenomena yang terdiri dari sebuah variabel bebas X dan sebuah variabel
tak bebas Y di mana model regresi linier untuk populasi seperti dalam RUMUS 2
telah dapat diduga, mak kita perlu menaksir parameter-parameter regresi sehingga
didapat persamaan seperti dalam RUMUS 3. Jadi untuk model regresi linier populasi

4
 μ y . x =θ1 +θ2 X

akan ditaksir harga-harga θ1 dan θ2 oleh a dan b sehingga didapat persamaan regresi
menggunakan data sampel :

Y^ =a+bX
Tabel I. Variabel bebas dan variabel takbebas

Variabel takbebas ( Variabel bebas (X )

Y)
y1 x1

y2 x2

⋮ ⋮
yn xn

Pasangan antara X dan Y dan n ,menyatakan ukuran sampel. Koefisien-koefisien adan

buntuk regresi linear, dapat dihitung dengan rumus:

( ∑ Y i ) (∑ X 2i )−(∑ X i)(∑ X i Y i )
a= 2
n ∑ X 2i −( ∑ X i )

n ∑ X i Y i−( ∑ X i)( ∑ Y i)
b= 2
n ∑ X 2i −( ∑ X i)
. . . . . RUMUS 6
Jika terlebih dahulu dihitung koefisien b ,maka koefisien a dapat pula ditentukan oleh
rumus

a=Ý −b X́ . . . . . RUMUS
7

Dengan Ý dan X́ masing-masing rata-rata untuk variabel-variabel X dan Y .

5
Rumus-rumus di atas dipakai untuk menentukan koefisien-koefisien regresi Y atas X .
Untuk koefisien-koefisien regresi X atas Y , rumus yang sama digunakan tetapi harus
dipertukarkan tempat untuk simbol-simbol X dan Y . Jadi untuk regresi X atas Y yang
ditaksir oleh
^
X =c +dY
Degan menggunakan data hasil penelitian, maka koefisien-koefisiennya dihitung dari
rumus

( ∑ X i ) (∑ X 2i )−(∑ Y i )(∑ X i Y i )
c= 2
n ∑ Y 2i −( ∑ Y i)

n ∑ X i Y i−( ∑ X i)( ∑ Y i )
d= 2
n ∑ Y 2i −( ∑ XY i )
. . . . . RUMUS 8

6
CONTOH :

1. Data berikut melukiskan hasil pengamatan mengenai banyak orang yang

datang ( X ) dan banyak orang yang berbelnja ( Y ) di sebuah toko selama 30 hari.

Tabel. Jumlah Pengunjung dan yang Berbelanja di Sebuah Toko Selama 30

Hari
Pengunjung ( X 1) Berbelanja (Y 1 ) Pengunjung ( X 1) Berbelanja (Y 1 )
34 32 42 38
38 35 41 37
34 31 32 30
40 38 34 30
30 29 36 30
40 35 37 33
40 33 36 32
34 30 37 34
35 32 39 35
39 36 40 36
33 31 33 32
32 31 34 32
42 36 36 34
40 37 37 32
42 35 38 34

Agar RUMUS 6 dapat digunakan, kita hitung satuan-satuan yang diperlukan

dan sebaiknya data disusun seperti dalam daftar berikut :
Tabel. Nilai-nilai yang Perlu untuk Menghitung Koefisien Regresi Linear
Xi Y1 Xi Y 1 X 2i Xi Y1 Xi Y 1 X 2i
34 32 1.088 1.156 42 38 1.596 1.764

7
 38 35 1.368 1.444 41 37 1.517 1.681
34 31 1.054 1.156 32 30 960 1.024
40 38 1.520 1.600 34 30 1.020 1.156
30 29 870 900 36 30 1.080 1.296
40 35 1.400 1.600 37 33 1.221 1.369
40 33 1.320 1.600 36 32 1.152 1.296
34 30 1.020 1.156 37 34 1.258 1.369
35 32 1.120 1.225 39 35 1.365 1.521
39 36 1.404 1.521 40 36 1.440 1.600
33 31 1.023 1.089 33 32 1.056 1.089
32 31 992 1.024 34 32 1.088 1.156
42 36 1.512 1.764 36 34 1.224 1.296
40 37 1.480 1.600 37 32 1.184 1.369
42 35 1.470 1.764 38 34 1.292 1.444

Setelah dijumlahkan didapat :

∑ X i=1.105 , ∑ Y i=1.001 , ∑ X i Y i=37.094 , dan ∑ X 2i =41.029

Dari rumus 6 diperoleh
(1.001 ) ( 41.029 )−(1.105)(37.094)
a= =8,24
30 ( 41.029 ) −( 1.105 )2

30 ( 37.094 )−(1.105)(1.001)
b= =0,68
30 ( 41.029 ) −( 1.105 )2
Dengan demikian, persamaan regresi linear Y atas X untuk soal diatas adalah
Y^ =8,24+0,68 X

8
Regresi yang didapat, selanjutnya digunakan untuk keperluan ramalan apabila harga
variabel bebas diketahui. Jika X =30misalnya, dengan memasukkan harga di dalam
rumus tersebut ke dalam persamaan diatas didapat
Y^ =8,24+0,68 ( 30 ) =28,64
Sehingga dapat diperkirakan rata-rata ada 28,64 orang pembeli untuk setiap 30 orang
pengunjung yang masuk ke toko itu.

Sebuah contoh lagi mengenai hubungan antara tinggi badan dan berat badan
mahasiswa yang datanya diberikan dibawah ini
DAFTAR XV(3)
TINGGI DAN BERAT BADAN 26 MAHASISWA
NO TINGGI BERAT
(cm) (kg)
1 162 48,0
2 158 46,3
3 170 58,1
4 167 53,2
5 159 46,8
6 160 47,0
7 170 63,2
8 163 52,7
9 164 59,2
10 158 47,1
11 154 58,4
12 158 46,5
13 156 46,0
14 161 58,3
15 163 50,7
16 160 50,6

9
 17 168 60,3
18 159 47,0
19 156 46,9
20 162 49,7
21 159 46,9
22 164 56,1
23 167 58,0
24 158 47,0
25 163 56,0
26 160 49,8

Untuk menentukan regresi linear antara tinggi (X) dan berat (Y), dalam hal ini
adalah masuk akal jika kedua buah regresi ditentukan, ialah regresi Y atas X dan
regresi X atas Y. Dalam hal pertama kita dapat meramalkan Y apabila X diketahui
sedangkan dalam hal kedua dapat meramalkan X apabila Y diketahu. Harga-harga
yang diperlukan untuk ini adalah :
Ʃ X i=4.209 , Ʃ Y i=1.349,8, Ʃ X i Y i=218.682,4

Ʃ X 2i =681.777 , Ʃ Y 2i =70.816,51 dan n=26

Dari Rumus (6) kita dapat menghitung koefisien b untuk regresi Y atas X, yakni :
26 ( 218.682,4 )−( 4.209 ) (1.349,8)
b= =0,42
26 ( 681.1777 ) −(4.209)2
Dengan rumus XIV (7) didapat koefisien
1.349 (4.209)
a= − ( 0,49 ) =−16,8
26 26
Regresi Y atas X, persamaanya adalah :
Ŷ =−16,08+0,42 X
Untuk menentukan regresi linear X atas Y, dengan persamaan ^X =c +dY , maka
koefisien-koefisien c dan d masing-masing didapatkan dari Rumus (8). Maka
diperoleh

10
 ( 4.209 )( 7.816,51 )−( 1.349,8 ) (218.682,4 )
c= =147,63
26 ( 70.816,51 )−(1.349,8)2
26 ( 218.682,4 )−( 4.209 )( 1.349,8)
d= 2
=0,23
26 ( 70.816,51 )−(1.349,8)
Regresi linear X atas Y mempunyai persamaan
^
X =1.47,63+0,23 Y

11
 BAB III
PENUTUP

Berdasarkan pembahasan pada bab ini maka kami dapat menyimpulkan

bahwa penjelasan diatas maka dapat diartikan bahwa Analisis regresi digunakan
untuk menentukan bentuk dari hubungan antar variabel. Tujuan utama dalam
penggunaan analisis itu adalah untuk meramalkan atau memperkirakan nilai dari
suatu variable dalam hubungannya dengan variabel yang lain. Regresi linear adalah
alat statistik yang dipergunakan untuk mengetahui pengaruh antara satu atau beberapa
variable terhadap satu buah variabel. Variabel yang mempengaruhi sering disebut
variabel bebas, variabell independen atau variabel penjelas.

12
 DAFTAR PUSTAKA

 Sudjana. 2005. “Metoda Statistika”. Bandung: Tarsito.

13