REGRESI DAN KORELASI

LINIER SEDERHANA
Analisis Regresi Sederhana

Sebuah metode pendekatan untuk pemodelan

hubungan antara satu variabel dependen dan satu
variabel independen. Dalam model regresi, variabel
independen menerangkan variabel dependennya.
Dalam analisis regresi sederhana, hubungan antara
variabel bersifat linier, dimana perubahan pada
variabel X akan diikuti oleh perubahan pada variabel
Y secara tetap
 Persamaan regresi linier sederhana
Merupakan suatu model persamaan yang menggambarkan hubungan satu variabel bebas/
predictor (X) dengan satu variabel tak bebas/ response (Y), yang biasanya digambarkan
dengan garis lurus

Peubah bebas:
Peubah penyebab/peubah penjelas
Ditulis pada sumbu X (horizontal)

Peubah tak bebas

Peubah akibat/respon
Ditulis pada sumbu Y (vertikal)
Nilai peubah tak bebas (Y) ditentukan oleh peubah bebas (X)
b = koefisien regresi (slope)
X = variabel penyebab/prediktor
 Slope (b)
Intersep (a)
Secara matematis:
Definisi secara metematis:
ukuran kemiringan dari suatu garis.
suatu titik perpotongan antara suatu
garis dengan sumbu Y pada
koefisien regresi untuk variabel X (variabel
diagram/sumbu kartesius saat nilai X
bebas).
= 0.
Dalam konsep statistika:
Definisi secara statistika:
suatu nilai yang menunjukkan seberapa
nilai rata-rata pada variabel Y apabila
besar kontribusi (sumbangan) yang
nilai pada variabel X bernilai 0.
diberikan suatu variabel X terhadap
variabel Y.
Apabila data pengamatan pada variabel
X tidak mencakup nilai 0 atau mendekati
Ratarata pertambahan (atau pengurangan)
0, maka intersep tidak memiliki makna
yang terjadi pada variabel Y untuk setiap
yang berarti, sehingga tidak perlu
peningkatan satu satuan variabel X.
diinterpretasikan.
Besarnya konstanta a dan b dapat ditentukan menggunakan persamaan
 Langkah-langkah Analisis dan Uji Regresi
Linier Sederhana
1. Menentukan tujuan dari Analisis Regresi Linear Sederhana
2. Mengidentifikasi variabel predictor (X) dan variabel response (Y)
3. Melakukan pengumpulan data dalam bentuk tabel
4. Menghitung X², XY dan total dari masing-masingnya
5. Menghitung a dan b menggunakan rumus yang telah ditentukan
6. Membuat model Persamaan Garis Regresi
7. Melakukan prediksi terhadap variabel predictor atau response
8. Uji signifikansi menggunakan Uji-t dan menentukan Taraf Signifikan
Contoh

Suatu penelitian ingin mengetahui hubungan berat badan mahasiswa

dengan konsumsi makan (jumlah kalori/hari). Telah diamati sebanyak
10 mahasiswa.
Menentukan nilai slope (b) dan intersep (a)
persamaan regresi yang didapat adalah Y= 2,608 + 0,149 X
Koefisien korelasi (r)
 dari data contoh di atas, maka akan diperroleh nilai r

r = + 0,95, artinya terdapat hubungan positif yang erat antara

berat badan mahasiswa dan konsumsi kalori/hari. Semakin
tinggi konsumsi kalori/hari menyebabkan semakin tinggi berat
badan.
 Koefisien Determinasi (R=r2 )

R= r2= 0,952
R= 0,90

Nilai R= 0,90 = 90 % ini menunjukkan bahwa 90% proporsi

keragaman nilai peubah Y (berat badan mahasiswa dapat dijelaskan
oleh nilai peubah X (konsumsi kalori/hari) melalui hubungan linier
dengan persamaan Y= 2,608 + 0,149 X. Sisanya yaitu 10% dijelaskan
oleh hal-hal lain.
uji signifikansi, uji-t pada regresi linier (uji model regresi)

Dilakukan dengan menguji koefisian b (slope) pada persamaan

regresi yang telah didapat
Jika b ≠ 0 (> atau < dari 0) → model (persamaan regresi) bisa
digunakan
Jika b = 0 → persamaan tidak dapat digunakan untuk membuat
prediksi
1. Menentukan Hipotesis:
H0 : b = 0; variabel X tidak berpengaruh nyata terhadap Y
H1 : b ≠ 0; variabel X berpengaruh nyata terhadap Y
2. Menentukan tingkat signifikansi ( α )
Tingkat signifikansi, yang sering digunakan adalah α = 5% (α = 0,05)
3. Menghitung nilai t hitung menggunakan rumus :

4. Menentukan daerah penolakan H0 (daerah kritis)

Bentuk pengujian dua arah, sehingga menggunakan uji-t dua arah :
H0 akan ditolak jika thit > ttab atau -(thit) < -(ttab), berarti H1 diterima.
H0 akan diterima jika -(thit) < ttab < thit , berarti H1 ditolak.
Dari contoh kasus di atas diketahui Koefisien Determinasi (r2) = 0,90
Koefisien Korelasi (r) = 0,95
Jumlah data n = 10
Hipotesis: H0 : b = 0; variabel X tidak berpengaruh signifikan terhadap Y
H1 : b ≠0; variable X berpengaruh signifikan terhadap Y
Tingkat signifikansi (α) = 5%

derajat kebebasan, df = n – k = 10 – 2 = 8
ttab = 2,306

Membandingkan thit dengan ttab : thit > ttab 8,497 > 2,306

Kesimpulan : Nilai thit > ttab, sehingga dikatakan bahwa, ada pengaruh nyata
(signifikan) variable predictor X terhadap variable response Y dengan taraf signifikan
5%.
nilai b (slope) ≠ 0, yang berarti persamaan Y= 2,608 + 0,149 X dapat digunakan.