MODUL PERKULIAHAN

STATISTIKA TEKNIK

POKOK BAHASAN :

Regresi Linear

Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

FT Teknik Sipil 07 11006 Sediyanto, ST,MM

Abstract
Analisis regresi mempelajari bentuk
hubungan antara satu atau lebih
peubah bebas (X) dengan satu
peubah tak bebas (Y)
Kompetensi
Mahasiswa mampu menjelaskan
pengertian regresi linear
Pendahuluan

Analisis regresi mempelajari bentuk hubungan antara satu atau lebih peubah bebas (X) dengan
satu peubah tak bebas (Y). dalam penelitian peubah bebas ( X) biasanya peubah yang
ditentukan oelh peneliti secara bebas misalnya jumlah tenaga suatu proyek, waktu
penyelesaian proyek infrastruktur dan sebagainya.

Peubah tak bebas (Y) dalam penelitian berupa respon yang diukur akibat perlakuan/peubah
bebas (X). Misalnya jumlah sel darah merah akibat pengobatan dengan dosis tertentu, jumlah
mikroba daging setelah disimpan beberapa hari, berat ayam pada umu tertent dan sebagainya.

Bentuk hubungan antara peubah bebas (X) dengan peubah tak bebas (Y) bisa dalam bentuk
polinom derajat satu (linear) polinom derajat dua (kuadratik). Polinim derajat tiga (Kubik) dan
seterusnya. Disamping itu bisa juga dalam bentuk lain misalnya eksponensial,logaritma,sigmoid
dan sebagainya. Bentuk-bentuk ini dalam analisis regresi-korelasi biasanya ditransformasi
supaya menjadi bentuk polinom.

Dalam bentuk yang paling sederhana yaitu satu eubah bebas (X) dengan satu peubah tak
bebas (Y) mempunyai persamaan :
Y =a +bx
Disini a disebut intersep dan b koefisien arah

Dalam pengertian fungsi persamaan garis Y + a +bx hanya ada satu yang dapat dibentuk dari
dua buah titik dengan koordinat yang berbeda yaitu ( X1, Y1) dan X2,Y2). Hal ini berarti kita bisa
membuat banyak sekali persamaan garis dalam bentuk lain melalui dua buat titik yang berbeda
koordinatnya/tidak berimpit.
(Y − Y)1 (X − X 1 )
Persamaan garis melalui dua buah titik dirumuskan sebagai berikut : =
(Y2 − Y1 ) (X 2 − X 1

2018 Statistika Teknik Pusat Bahan Ajar dan eLearning

2 Sediyanto, ST,MM http://www.mercubuana.ac.id
 Y

Y=a+bx

-----------------
y
b=
x
--------------------------
a ……………………..
x

X
Sebagai contoh misalnya titik A (1,3) dan titik B (4,9) maka persamaan gais linear yang dapat
dibuat adalah :
(Y − 3) ( X − 1)
=
(9 − 3) (4 − 1)
(Y-3)(4-1) =(X-1) (9-3)
3Y-9 = 6X-6
3Y = 3 +6X Y=1+2X
Dalam bentukmatrik bisa kita buat persaman sebagai berikut :
Y1 = a + b X1
Y2 = a + b X2

Y1  1 X 1  a 
Y  = 1 X 2  b 
 2 
3  1 1  a 
 =
9  1 4 b 
−1
a  1 1  a 
 =
b  1 4 b 

a  1 4 − 1  3
b  = (4 − 1) − 1 1 9
    
a  4 / 9 − 1 / 3 3 4 − 3  1 
b  = − 1 / 3 1 / 3  9 = − 1 + 3 = 2
        

2018 Statistika Teknik Pusat Bahan Ajar dan eLearning

3 Sediyanto, ST,MM http://www.mercubuana.ac.id
Jadi a=1 dan b=2 sehingga persamaannya Y=1 +2X
Jika jumlah data sebanyak n maka persamaannya sebagai berikut ;
Yi = o + 1 X 1 +  i
i= 1,2,3,…..n
disini βo adalah penduga a, β1 adlah penduga b dan εi merupakan besarnya simpangan
persamaan garis penduga. Semakin kecil nilai εi persamaan regresi yang diperoleh akan
semakin baik.
Jadi kita dapat menuliskan pengamatan kita menjadi
y1 =  o + 1 X 1 +  1

y 2 =  o + 1 X 2 +  2

y 3 =  o + 1 X 3 +  3
…………………..
y n =  o + 1 X n +  n
Dengan notasi matrik dapat ditulis sebagi berikut :

Y1  1 X1   1 
Y  1 X2   
 2   2
Y3  1 X 3    o   3 
 =  + 
 .  . .   1   . 
 .  . .  .
     
Yn  1 X n   n 
Jadi kita peroleh matrik Y,X,β dan ε dengan dimensi sebagi berikut :

β
Y
nx1 = nx2
X
2x1
+ ε
nx1
Jika diasumsikan E(ε) = 0 maka E(Y) = Xβ

Bila modelnya benar β merupakan penduga terbaik yaitu dengan jalan melakukan
penggandaan awal dengan X’ sehingga diperoleh persamaan normal sebagai berikut :
X’Y = X’X β
2x1 2x2 2x1

2018 Statistika Teknik Pusat Bahan Ajar dan eLearning

4 Sediyanto, ST,MM http://www.mercubuana.ac.id
 Y1  1 X1 
Y  1 X 2 
 2 
1 1 1 ......... 1  Y3   1 1 1 ........ 1  1 X 3   o 
X  =  
 1 X2 X2 ........... X n   .   X 1 X2 X3 ...... X n   . .   1 
. . . 
   
Yn  1 X n 

 n   n

  Yi   n X   o 
i
 ni =1 = n i =1
 
2   1 
n
 XY  X
    Xi
i =1
i i
i =1
i
i =1


−1
 n
  n 
 0  
n  Xi    Yi 
  =  n   ni =1 
i =1
n
 1  X 2  XY
  
X1
i =1
i
i =1
 i =1
i i


Jadi β=(X’X)-1X’Y
Disini(X’X)-1 adalah kebalikan (inverse)dari matrik X’X

 n n

  Xi −  Xi 
2

1
(X’X)-1 = n
 i =1n i =1

− ( X i ) 2 −  X i
n
n X i
2
n 
i =1 i =1
 i =1 

 
 Y − 1 X 
n 
 o   n n
Jadi  =   =  X i Yi − ( X i )( Yi ) / n
 1   i =1 i =1 i =1

 n n 
  X i 2 − ( X i ) 2 / n 
 i =1 i =1 
Contoh
Seorang peneliti ingin mengetahui bentuk hubungan antara jumlah cacing jenis tertentu
denagn jumlah telurnya pada usus ayam buras. Untuk tujuan tersebut diperiksa 20 ekor ayam
dan ditemukan sebagai berikut :

2018 Statistika Teknik Pusat Bahan Ajar dan eLearning

5 Sediyanto, ST,MM http://www.mercubuana.ac.id
Tabel 1 jumlah cacing dan jumlah telurnya pada usus ayam buras am buras.
No Jumlah Cacing ( Xi) Jumlah telurnya (Yi)
1 12 45
2 14 50
3 13 51
4 12 43
5 15 61
6 16 62
7 13 50
8 11 43
9 10 40
10 11 44
11 12 48
12 13 52
13 17 70
14 19 76
15 13 53
16 11 43
17 16 60
18 12 48
19 14 53
20 15 63
Total 269 1055
rataan 13,45 52,75

Dari data diatas kita bisa menghitung :

n

X
i =1
i =12+14+13+…………………………+15=269

Y
i =1
i =45+50+51+……………………….+63=1055

X
2
i =122+142+132+……………………+152=3719
i =1

Y
i =1
i
2
=452+502+512+……………………+622=57449

X Y
i =1
i i =12x45+14x50+13x51+…………………+15x63=14604

1 n 1
X =  Xi = = 269 = 13,45
n i =1 20
1 n 1
X = 
n i =1
Yi =
20
= 1055 = 52,75

2018 Statistika Teknik Pusat Bahan Ajar dan eLearning

6 Sediyanto, ST,MM http://www.mercubuana.ac.id
Bila kita duga bentuk hubungan antara jumlah cacing (X)dan jumlah telurnya (Y) adalah :
Ŷi=β0 +β1Xi+εi
i=1,2,3,……………………..,20
disini Ŷi adalah dugaan Yi
jadi persamaan normalnya adalah :
X’Y =X’Xβ

 20   n

  Yi   20 X i   0 
 20i =1  =  20 i =1
 
2   1 
20
 XY  X
    X1
i =1
i i
i =1
i
i =1


 1055   20 269    o 
14604  = 269 3719    
    1 

 20 2 20
 n 2 
 o  1   X1 −  X i    Yi 
  =  i =120   20i =1 
i =1
20
− ( X i ) 2 −  X i
20
 1  20 X 2   X i Yi 
 1  
20
i =1 i =1
 i =1 i =1


 o  1  3719 − 269   1055  − 2,442 

  = − 269 =
20  14604   4,103 
 1  20(3719 ) − (269 )
2

Jadi Ŷ=-2,442 + 4,103 Xi,

Persamaan garis regresi Yi =-2,442 + 4,103 Xi bukanlah satu-satunya garis penduga untuk
menyatakan hubungan antara jumlah cacing dengan jumlah telurnya. Sudah barang tentu
masih banyak lagi bentuk persamaan penduga yang dapat dibuat misalnya dalam bentuk
persamaan Yi=βo+β1Xi+β2Xi2,Yi=βoXiβ1 ( dalam bentuk linear LnYi=Ln βo+βiLnXi) dan masih
banyak lagi bentuk yang lainnya

Untuk menyatakan apakah garis yang diperoleh cukup baik untuk menggambarkan hubungan
antara peubah bebas (X) dengan peubah tak bebas(Y) dapat dilakukan pengujian bentuk model
yang digunakan dan keeratan hubungannya (korelasinya) untuk menyatakan ketepatan dan
ketelitian persamaan garis regresi yang diperoleh.

Garis regresi yang kita peroleh akan selalu melalui rata-rata peubah X dan Y (X,Y) maka dapat
dijelaskan seperti gambar dibawah ini

2018 Statistika Teknik Pusat Bahan Ajar dan eLearning

7 Sediyanto, ST,MM http://www.mercubuana.ac.id
 Y (Xi,Yi)
Ỹ = β0 + β1Xi
Yi
(Yi-Ў.)=(ỹ- Ў.)(Yi- ỹ)
Ỹ
ỹ

β0

0 _
X
X

Dengan metode kuadrat terkecil maka kita peroleh :

( ) 
n n 2

 (Y
i =1
i − Y .) =  i − Y . + (Yi −Y i)
2

i =1

 
n n

 (Yi − Y .) 2 =  ˆ(Y − Y .) 2 + (Yˆi − Y .)(Yi − Yˆi ) + (Yi − Yˆi ) 2

i =1 i =1

Dari persamaan diatas maka diperoleh :

n n
1 n
 − =  − ( Yi ) 2
2 2
JK total = (Yi Y .) Yi
i =1 i =1 n i =1

n
1 n
JK Regresi = 
i =1
(Yˆ
i − Y .) 2
= ( X ' Y )  −
n
( Yi ) 2
i =1

n n 2

JK Galat =  (Yi − Yˆi ) 2 =  Yi − ( X ' Y )' 

i =1 i =1

n
Sedangkan=  (Yˆ − Y .)(Y
i =1
i i − Yˆi ) = 0

Untuk menentukan apakah garis regresi yang kita peroleh cukup dapat dipercaya maka kita
dapat mengujinya dengan uji F seperi tabel ragam dibawah ini

2018 Statistika Teknik Pusat Bahan Ajar dan eLearning

8 Sediyanto, ST,MM http://www.mercubuana.ac.id
 Sumber Derajat Jumlah Kuadrat tengah F F tabel
keragaman bebas kuadrat hitung 0,05 0,01
Regresi p JK R JKR KTR
= KTR
p KTG
JKG
Galat n-1-p JK G = KTG
n −1− p

Total n-1 JK T

KTR
Jika hasil hitungan yaitu F hitung ( )≥ dari F tabel (0,05; p,n-1-p) maka dapat disimpulkan
KTG
persamaan garis regresi nyata (P<0,05) bentuk persamaannya seperti yang kita duga demikian
KTR
pula jika F hitung ( )≥ dari F tabel (0,05; p,n-1-p) maka dapat disimpulkan persamaan garis
KTG
regresi sangat nyata (P>0,05) atau dengan kata lain persamaaan garis regresi tersebut tidak
bisa kita terima sebagai penduga hubungan antara peubah (X) dengan Peubah (Y)

Bila bentuk hubungan antar peubah X dengan peubah Y sudah dapat kita terima maka kita
ingin pula mengetahui seberapa besar keeratan hubungannya (korelasinya). Walaupun bentuk
hubungan antara peubah X dengan peubah Y ada dalam bentuk yang benar belum tentu
korelasinya besar karena banyak peubah lain yang turut mempengaruhi perubahan peubah Y.

Besarnya perubahan peubah Y yang dapat diterangkan oleh peubah X dengan menggunakan
persamaan garis regresi yang diperoleh disebut koefisien determinan. Koefisien determinan
diberi lambing r2 untukbentuk persamaan garis regresi sederhana dan R2 untuk bentuk
persamaan lainnya, besarnya 0<r2 =R2<1 dan dihitung dengan rumus :
JK Re gresi
r 2 = R2 =
JKTotal

Jadi koefisien korelasinya : r =R=  R 2

Dari tabel 1 kita dapat menghitung
n
1 n (1055) 2
JK Total = Y
i =1
i
2
− ( Yi ) 2 = 57449 −
n i =1 20
= 57449-55651,25=1797,75
1 n
JK Regresi = (X’Y)’β − ( Yi ) 2 = (1055)(2,442)+ (14606)(4,103) – 55651,25
n i =1

2018 Statistika Teknik Pusat Bahan Ajar dan eLearning

9 Sediyanto, ST,MM http://www.mercubuana.ac.id
 =1692,625
.JK Galat = JK total- JK Regresi =
= 1797,75-1692,625=105,098

Jadi tabel ragamnya adalah :

Sumber Derajat Jumlah Kuadrat F F tabel
keragaman bebas kuadrat tengah hitung 0,05 0,01
Regresi 1 1692,652 1692,652 289,89 4,41 8,29

Galat 18 105,098 5,839

Total 19 1797,750

Jadi dapat disimpulkan bahwa persamaan garis regresi yang diperoleh sangat nyata (P<0,01)
karena F hitung> F tabel pada taraf signifikansi 0,01 (289,89>8,29)
JKregresi 1692 ,652
Jadi r 2 = = = 0,9415
JKTotal 1797 ,750
Jadi dengan menggunakan persamaan garis regresi penduga Yi =-2,442 + 4,103 Xi banyaknya
jumlah telur cacing pada usus ayam buras sekitar 94,15 % ditentukan oleh banyaknya cacing
dalam usus tersebut sedangkan 5,85 % ditentukan atau dipengaruhi oleh factor lain.

Keeratan hubungan (r=±√0,9415=0,9703) dalam persamaan ini diambil hanya r positip karena
dengan bertambah besarnya nilai Xi nilai Yi juga meningkat. Untuk menyatakan apakah
hubungan cukup berarti maka besarnya r ini dapat dibandingkan dengan r tabel. Jika r hitung ≥
r tabel (0,05:p,db=n-p-1) maka disimpulkan keeratan hubungannya nyata (P>0,05) dan jika r
hitung ≥ r tabel (0,01;p,db=n-p-1) maka disimpulkan keeratan hubungannya sangat nyata
(P<0,01) sedangkan jika r hitung< r tabel (0,05;p,db=n-p-1) maka disimpulkan keeratan
hubungannya tidak nyata (P<0,01)

Bila persamaan garis regresi derajat polinomnya atau peubah bebasnya (X) lebih besar dari
satu maka perlu dilakukan pengujian terhadap koefisien garis regresinya (βj yaitu β1,β2,…………,βp),
untuk mengetahui βj yang mana yang menentukan ketepatan dan ketelitian garis regresinya
yang diperoleh. Misalkan terdiri dari p peubah bebas maka modelnya menjadi Yi = βo +
β1Xi1+………..+βpXip dengan persamaan normalnya :

2018 Statistika Teknik Pusat Bahan Ajar dan eLearning

10 Sediyanto, ST,MM http://www.mercubuana.ac.id
 X 'Y X ' X 
= disini d=p+1
dxi dxd dx1

 n   n n n

  Yi   n  Xi 1  Xi2 .............  Xip 
n i =1
  n i =1
n n
i =1
n
i =1

 Xi1Yi   Xi1Xip 

 i =1 
  i =1
Xi1 i =1
X i2 1 
i =1
Xi1Xi2 ............. i =1

 n = n n n n 2
  Xi2Yi    Xi2  Xi 2 Xi 1  X i2 ..............  Xi 2 Xip 
 i =1   i =1 i =1 i =1 i =1 
 ..........  ................ ................. ................. ............. ................ 
 n   n n n n

 XipYi    Xip  XipXi 1  XipXi1 ..............  X i2 p 
 i =1   i =1 i =1 i =1 i =1 
Jadi :β= (X’X)-1X’Y

Jika elemen-elemen matrik X kita kurangi dengan rata-rata elemen-elemen tiap kolomnya maka
diperoleh matrik XA. sebagai contoh kita untuk p=2 maka matriknya adalah sebagai berikut :

 ( X 11 − X .1 ) ( X 12 − X .2 ) 
 
( X 21 − X .1 ) ( X 22 − X .2 ) 
X A = ( X 31 − X .1 ) ( X 32 − X .2 ) 
 
 .............. .............. 
( X − X . ) ( X n 2 − X .2 )
 n1 1

 n n

  ( Xi1 − X 1 .) 2  ( Xi 1 − X i2 − X .2 )
X 'A X A =  n 
i =1 i =1
n
 ( Xi − X . )( Xi − X . ) 2 2 
  ( Xi2 − X 2 . )
1 2 2 2

 i =1 i =1

 JKX 1 JHKX 1 X 2 
Biasanya ditulis : X ' A X A = 
 JHKX 1 X 2 JKX 2 

Untuk menguji βi kita cari kekalikan dari matriks XAXA-1kemudian kita gandakan dengan
n
S r2 regresi yaitu ( Yˆi − Yi) 2 /( n − p − 1) maka pengujian βi dapat dilakukan dengan rumus :
i =1

i
tH =
Sbi

2018 Statistika Teknik Pusat Bahan Ajar dan eLearning

11 Sediyanto, ST,MM http://www.mercubuana.ac.id
Disini √Sbi adalah elemen-elemen diagonal matrik XAXA-1 yang telah digandakan dengan
S r2 regresi
Contoh
Seorang peneliti ingin mengetahui hubungan antara dosis oba tertentu (X) dengan kadar
Creatinin Ginjalnya (Y) dari hasil peneitiannya diperoleh hasil sebagai berikut :
Data hasil penelitiannya sebagai berikut:
No Dosis Obat mg (Xi) Kadar Creatinin % (Yi)
1 1 10
2 2 13
3 3 15
4 4 20
5 5 16
6 7 11
7 3 14
8 2 12
9 4 21
10 6 17
11 7 10
12 8 7
13 8 6
14 1 11
15 3 16

Jawab
Dari data yang diperoleh diduga bentuk persamaan garis regresinya Yi =β0 +β1Xi +β2X12+εi
Jadi persamaann normalnya adalah X’Y=X’X β
 n   n n

  Yi   n  Xi X 2
1 
 ni =1   n i =1 i =1
  o 
X 1  1 
3 
n n
 XiYi  =  Xi
   X 
2

i =1 i =1 i =1
1
i =1

n  n n n    2 
 X 12Yi   X 12 X 3
 X 1 
4

 i =1   i =1 
1
i =1 i =1

 199   15 64 356    0 
 803  =  64 356 2278    
    1 
4055  356 2278 15703   2 
−1
 15 64 356   199 
 1     803 
   =  64 356 2278   
 2  356 2278 15703  4055 
 

2018 Statistika Teknik Pusat Bahan Ajar dan eLearning

12 Sediyanto, ST,MM http://www.mercubuana.ac.id
  1,0520 − 0,5090 0,0500   199   3,36313 
 1     803  =  6,77799 
   = − 0,5090 0,2855 − 0,0299     
 2   0,0500 − 0,0299 0,0033  4055  − 0,80123 
 
Jadi persamaan garis regresinya adalah:
Ŷi=3,36313 + 6,77799Xi -0,80123X 12
n
1 n (199) 2
JK total =  Yi − ( Yi) = 2903 −
22

i =1 n i =1 15
= 2903-2640,067=262,933
1 n 2
JK Regresi =(X”Y)’  − ( )
n i =1

 3,36313 
 6,77799  2
= 199 803 4055   − (199 )
− 0,80123  15
 
 
= 669,263 +5442,726 -3248,988-2640,067
= 222,934
n
JK Galat =  Yi
i =1
2
− ( X ' Y )'  = JK total – JK Regresi

= 262,933-222,934 =39,999

Jadi tabel ragamnya adalah :

Sumber Derajat Jumlah Kuadrat F F tabel
keragaman bebas kuadrat tengah hitung 0,05 0,01
Regresi 2 222,934 111,476 33,44 3,89 6,93

Galat 12 39,999 3,333

Total 14 262,933

Disini S r2 = KT Galat =3,333

Jadi dapat kita simpulkan bahwa persamaan garis regresi yang diperoleh sangat nyata (P<0,01)
karena F hitung > f tabel pada taraf signifikasi 0,01(33,44>8,93)
JK Re gresi 222,934
Jadi R 2 = = = 0,8479
JKTotal 262,933

2018 Statistika Teknik Pusat Bahan Ajar dan eLearning

13 Sediyanto, ST,MM http://www.mercubuana.ac.id
Maka R =√0,8479=0,9208
Bila kita bandingkan dengan R0,01(db=2;12)=0,732 maka disimpulkan korelasinya sangat nyata
(P<0,01)
Untuk menguji β1dan β2 maka dicari matrik XAXA dan kebalikkanya (XAXA-1)
n
1 n (64) 2
JK X =  Xi
i =1
2
− ( Xi) 2 = 356 −
n i =1 15
= 356 – 273,0667 = 82,9333

n
1 n (356) 2
JK X =  Xi − ( Xi ) = 15703 −
2 2 2 4

i =1 n i =1 15
= 15703 -8449,0667 =7253,9333
n
1 n n
JK XX2 = 
i =1
Xi 3
− ( 
n i =1
Xi) ( 
i =1
Xi 2 )

(64)(356)
= 2278-
15
= 2278 – 1518,9333 =759,0667
 82,9333 759,0667  −1  0,28545 − 0,02987 
X’AXA =   , X 'A X A =  
759,0667 7253,9333  − 0,02987 0,00326 
 0,28545 − 0,02987   0,951405 − 0,099557 
XAXA-1 S r = 3,333 − 0,02987 =
2

 0,00326  − 0,099557 0,010866 

i
tH =
Sbi
6,77799
Untuk 1 maka t H = = 6,61
0,951405
− 0,80123
Untuk  2 maka t H = = 7,69
0,010866

2018 Statistika Teknik Pusat Bahan Ajar dan eLearning

14 Sediyanto, ST,MM http://www.mercubuana.ac.id
Regresi Linear dengan SPSS 19

Analisis regresi sederhana merupakan salah satu metodi uji regresi yang dapat dipakai sebagai
alat inferensi statistik untuk menentukan pengaruh sebuah variabel bebas (independen) X
terhadap variabel terikat (dependen) Y.

Regresi linear sederhana ataupun regresi linier berganda pada intinya memiliki beberapa
tujuan, yaitu :

• Menghitung nilai estimasi rata-rata dan nilai variabel terikat berdasarkan pada nilai variabel
bebas.
• Menguji hipotesis karakteristik dependensi
• Meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai variabel bebas
diluar jangkaun sample.

Pada analisis regresi sederhana dengan menggunakan SPSS ada beberapa asumsi dan
persyaratan yang perlu diperiksa dan diuji, beberapa diantaranya adalah :

• Variabel bebas tidak berkorelasi dengan disturbance term (Error). Nilai disturbance term
sebesar 0 atau dengan simbol sebagai berikut: (E (U / X) = 0,
• Jika variabel bebas lebih dari satu, maka antara variabel bebas (explanatory) tidak ada
hubungan linier yang nyata,
• Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar < 0.05,
• Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini diketahui jika
angka Standard Error of Estimate < Standard Deviation,
• Koefisien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi
signifikan jika T hitung > T table (nilai kritis),
• Model regresi dapat diterangkan dengan menggunakan nilai koefisiena determinasi (KD =
r2 x 100%) semakin besar nilai tersebut maka model semakin baik. Jika nilai mendekati 1
maka model regresi semakin baik,
• Data harus berdistribusi normal,
• Data berskala interval atau rasio,
• Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas
(variabel predictor) sedang variabel lainnya variabel terikat (variabel response)

Berikut ini contoh perhitungan regresi linier sederhana menggunakan software SPSS 19.

Dengan menggunakan data yang sama seperti pada artikel perhitungan korelasi, proses mulai
dengan memilih menu Analyze, kemudian pilih Linear,

2018 Statistika Teknik Pusat Bahan Ajar dan eLearning

15 Sediyanto, ST,MM http://www.mercubuana.ac.id
Pilih variabel Y sebagai variabel dependen (terikat) dan X1 sebagai variabel independen
(bebas) lalu klik tombol OK,

Output SPSS akan menampilkan hasil berupa 4 buah tabel yaitu;

1. tabel variabel penelitian,
2. ringkasan model (model summary),
3. Tabel Anova, dan
4. Tabel Koefisien.

2018 Statistika Teknik Pusat Bahan Ajar dan eLearning

16 Sediyanto, ST,MM http://www.mercubuana.ac.id
Cara membaca output spss hasil uji regresi linier tersebut adalah :
o Tabel pertama menunjukkan variabel apa saja yang diproses, mana yang menjadi variabel
bebas dan variabel terikat.
o Tabel kedua menampilkan nilai R yang merupakan simbol dari nilai koefisien korelasi.
Pada contoh diatas nilai korelasi adalah 0,342. Nilai ini dapat diinterpretasikan bahwa
hubungan kedua variabel penelitian ada di kategori lemah.
Melalui tabel ini juga diperoleh nilai R Square atau koefisien determinasi (KD) yang
menunjukkan seberapa bagus model regresi yang dibentuk oleh interaksi variabel bebas
dan variabel terikat. Nilai KD yang diperoleh adalah 11,7% yang dapat ditafsirkan bahwa
variabel bebas X1 memiliki pengaruh kontribusi sebesar 11,7% terhadap variabel Y dan
88,3% lainnya dipengaruhi oleh faktor-faktor lain diluar variabel X1.
o Tabel ketiga digunakan untuk menentukan taraf signifikansi atau linieritas dari regresi.
Kriterianya dapat ditentukan berdasarkan uji F atau uji nilai Signifikansi (Sig.). Cara yang
paling mudah dengan uji Sig., dengan ketentuan, jika Nilai Sig. < 0,05, maka model regresi
adalah linier, dan berlaku sebaliknya. Berdasarkan tabel ketiga, diperoleh nilai Sig. =
0,140 yang berarti > kriteria signifikan (0,05), dengan demikian model persamaan regresi
berdasarkan data penelitian adalah tidak signifikan artinya, model regresi linier tidak
memenuhi kriteria linieritas.
o Tabel keempat menginformasikan model persamaan regresi yang diperoleh dengan
koefisien konstanta dan koefisien variabel yang ada di kolom Unstandardized Coefficients
B. Berdasarkan tabel ini diperoleh model persamaan regresi :
Y =38,256 + 0,229 X1

2018 Statistika Teknik Pusat Bahan Ajar dan eLearning

17 Sediyanto, ST,MM http://www.mercubuana.ac.id
Daftar Pustaka
1. Prof. Dr. Agus Irianto, , “Statistik : Konsep Dasar dan Aplikasinya”,
Jakarta, Kencana, 2006
2. Dr. Ir. Harinaldi, M. Eng, “Prinsip-Prinsip Statistik untuk Teknik dan
Sains”,Jakarta, Erlangga, 2005.
3. Prof. Dr. Sudjana, MA.,MSc., ”Metoda Statistika”, Bandung, Tarsito, 2007
4. Sudaryono, M.Pd., “Statistika Probabilitas [Teori&Aplikasi]”, Yogyakarta,
Andi, 2012.

2018 Statistika Teknik Pusat Bahan Ajar dan eLearning

18 Sediyanto, ST,MM http://www.mercubuana.ac.id