ANALISIS REGRESI

Abdul Malik, M.Si.

PROGRAM STUDI BIOLOGI

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI WALISONGO SEMARANG
2021
 SEJARAH REGRESI

Istilah Regresi diperkenalkan oleh Fancis

Galtom
“Meskipun ada kecenderungan bagi orang tua yang
tinggi mempunyai anak-anak yang tinggi, dan bagi
orang tua yang pendek mempunyai anak yang
pendek, distribusi tinggi dari suatu populasi tidak
berubah secara menyolok (besar) dari generasi ke
generasi”.

Regresi = “Kemunduran ke arah sedang”

ILUSTRASI
 Pengertian Regresi
 Analisis regresi merupakan studi
ketergantungan satu atau lebih variabel
bebas terhadap variabel tidak bebas.
Dengan maksud untuk meramalkan nilai
variabel tidak bebas.

 ANALISIS REGRESI DIGUNAKAN UNTUK

MENGUKUR BESARNYA PENGARUH
VARIABEL INDEPENDEN (X) TERHADAP
VARIABEL DEPENDEN (Y)
 ANALISIS REGRESI

DIGUNAKAN UNTUK 2 HAL POKOK YAITU :

1.UNTUK MEMPEROLEH SUATU PERSAMAAN DAN

GARIS YANG MENUNJUKKAN HUBUNGAN ANTARA
DUA VARIABEL TERTENTU.
PERSAMAAN DAN GARIS YANG DIDAPAT DISEBUT
DENGAN PERSAMAAN REGRESI.

2. UNTUK MENAKSIR SATU VARIABEL, YANG DISEBUT

DEPENDENT VARIABEL (Y) DENGAN VARIABEL LAIN
YANG DISEBUT INDEPENDENT VARIABEL (X),
BERDASARKAN HUBUNGAN YANG DITUNJUKKAN
OLEH PERSAMAAN REGRESI.
 Contoh Penerapan
Analisis Regresi
1. Analisis Regresi antara tinggi orang tua terhadap
tinggi anaknya (Gultom).
2. Analisis Regresi antara pendapatan terhadap
konsumsi rumah tangga.
3. Analisis Regresi antara harga terhadap penjualan
barang.
4. Analisis Regresi antara tingkat upah terhadap
tingkat pengangguran.
5. Analisis Regresi antara tingkat suku bunga bank
terhadap harga saham
6. Analisis regresi antara biaya periklanan terhadap
volume penjualan perusahaan.
Variable Y yang nilainya akan diramalkan
disebut variable tidak bebas (dependent
variable)

 sedangkan variable X yang nilainya

digunakan untuk meramalkan nilai Y disebut
variable bebas (independent variable) atau
variable peramal (predictor) dan sering kali
disebut variable yang menerangkan
(exsplanatory).
 Scatter Plot Examples
Weak
Strong relationships
relationships

y y

x x

y y

x x
Scatter Plot Examples
No
relationship

x
 Perbedaan mendasar antara
korelasi dan regresi ?

 Korelasi hanya  Regresi menunjukkan

menunjukkan hubungan pengaruh.
sekedar hubungan.  Dalam regresi
 Dalam korelasi terdapat istilah
variabel tidak ada tergantung dan
istilah tergantung variabel bebas.
dan variabel bebas.
Istilah dan notasi variabel
dalam regresi ?
Y X
 Varaibel tergantung
(Dependent Variable)
 Variabel yang dijelaskan
(Explained Variable)
 Variabel yang diramalkan
(Predictand)
 Variabel yang diregresi
(Regressand)
 Variabel Tanggapan
(Response)
 Varaibel bebas (Independent
Variable)
 Variabel yang menjelaskan
(Explanatory Variable)
 Variabel peramal (Predictor)
 Variabel yang meregresi
(Regressor)
 Variabel perangsang atau
kendali (Stimulus or control
variable)
 Persamaan Regresi
Persamaan Regresi
linier Sederhana:
n( XY )  ( X )(  Y )
Y = a + bX +  b
n( X 2 )  ( X ) 2
Y = Nilai yang diramalkan
a = Konstansta
b = Koefesien regresi
a
 Y  b(  X )
X = Variabel bebas
n
 = Nilai Residu
 Uji Pengaruh Variabel Independen
terhadap Variabel Dependen

 Uji Pengaruh Variabel Independen
terhadap Variabel Dependen

 Uji Pengaruh Variabel Independen
terhadap Variabel Dependen
2. Menentukan taraf nyata dan nilai kritis
Nilai kritis menggunakan Tbael Distribusi t
dengan tingkat signifikansi 1%, 5% atau
10%.

Df = n – k
n jumlah sampel
k jumlah variabel (dependen dan
independen)
 Uji Pengaruh Variabel Independen
terhadap Variabel Dependen
3. Menentukan nilai hitung

t hitung = b - 
Sb
Se
Sb 
( X ) 2
Se 
 (Y  Yˆ ) 2

X 
2
nk
n
 Uji Pengaruh Variabel Independen
terhadap Variabel Dependen
4. Keputusan

Batas antara daerah penerimaan H0 dan

daerah penolakan H0 adalah nilai kritis.
 Daerah
Penolakan
H0
Daerah
penolakan H0
Daerah
penerimana H0

-t/2 0 t/2
 Daerah
Penolakan
H0
Daerah
penerimana H0

0 t/2
Daerah
penolakan H0
Daerah
penerimana H0

-t/2 0
 Uji Pengaruh Variabel Independen
terhadap Variabel Dependen

 Uji Pengaruh Variabel Independen
terhadap Variabel Dependen

Lets take a break . . .
 Contoh Kasus:
Seorang manajer pemasaran akan meneliti
apakah terdapat pengaruh iklan terhadap
penjualan pada perusahaan-perusahaan di
Kabupaten WaterGold, untuk kepentingan
penelitian tersebut diambil 8 perusahaan
sejenis yang telah melakukan promosi.
 Pemecahan
1. Judul
Pengaruh biaya promosi terhadap
penjualan perusahaan.
2. Pertanyaan Penelitian
– Apakah terdapat pengaruh positif biaya
promosi terhadap penjualan perusahaan ?
3. Hipotesis
– Terdapat pengaruh positif biaya promosi
terhadap penjualan perusahaan.
 4. Kriteria Penerimaan
Hipotesis
Ho : Tidak terdapat pengaruh positif biaya iklan
terhadap penjualan perusahaan.
Ha : Terdapat pengaruh positif biaya iklan terhadap
penjualan perusahaan.

 Ho diterima Jika
b ≤ 0, t hitung ≤ tabel
 Ha diterima Jika
b > 0, t hitung > t tabel.
5. Sampel
8 perusahaan
6. Data Yang dikumpulkan

Penjualan (Y) 64 61 84 70 88 92 72 77

Promosi (X) 20 16 34 23 27 32 18 22
 7. Analisis Data
Untuk analisis data diperlukan, perhitungan:
1. Persamaan regresi
2. Nilai Prediksi
3. Koefesien determinasi
4. Kesalahan baku estimasi
5. Kesalahan baku koefesien regresinya
6. Nilai F hitung
7. Nilai t hitung
8. Kesimpulan
Persamaan Regresi
Y X XY X2 Y2
64 20 1280 400 4096
61 16 976 256 3721
84 34 2856 1156 7056
70 23 1610 529 4900
88 27 2376 729 7744
92 32 2944 1024 8464
72 18 1296 324 5184
77 22 1694 484 5929
608 192 15032 4902 47094
 n( XY )  ( X )(  Y )
b
n( X 2 )  ( X ) 2

8(15032 )  (192)(609)
b  1,497
8(4902 )  (192) 2

a
 Y  b(  X )
n

(608)  1,497 (192 )

a  40,082
8

Y= 40,082 + 1,497X+e
 Nilai Prediksi
 Berapa besarnya penjualan jika promosi sebesar 20?
40,082 + (1,497*20)= 70,022
 Berapa besarnya penjualan jika promosi sebesar 16?
40,082 + (1,497*16)=64,034
 Berapa besarnya penjualan jika promosi sebesar 34?
40,082 + (1,497*34)= 90,98
 Berapa besarnya penjualan jika promosi sebesar 23?
40,082 + (1,497*23)= 74,513
 Berapa besarnya penjualan jika promosi sebesar 27?
40,082 + (1,497*27)=80,501
 Berapa besarnya penjualan jika promosi sebesar 32?
40,082 + (1,497*32)= 87,986
Dan seterusnya…………………….!!!
No Y X XY X2 Y2 Ypred (Y-Ypred)2 (Y-Yrata)2

1 64 20 1280 400 4096 70.022 36.264 144

2 61 16 976 256 3721 64.034 9.205 225

3 84 34 2856 1156 7056 90.98 48.720 64

4 70 23 1610 529 4900 74.513 20.367 36

5 88 27 2376 729 7744 80.501 56.235 144

6 92 32 2944 1024 8464 87.986 16.112 256

7 72 18 1296 324 5184 67.028 24.721 16

8 77 22 1694 484 5929 73.016 15.872 1

Jlh 608 192 15032 4902 47094 608.08 227.497 886

Koefesien Determinasi
Koefesien determinasi:
R  1
2  (Y  Yˆ ) 2
R  1
2 (227,497 )
 0,743
 (Y  Y ) 2
(886)

Koefesien Determinasi Disesuaikan (adjusted)

P (1  R 2
) 1(1  0,743)
Radj  R2  Radj  0,743   0,70
N  P 1 8 11
 Kesalahan Baku
Estimasi
Digunakan untuk mengukur tingkat
kesalahan dari model regresi yang dibentuk.

Se 
 (Y  Yˆ ) 2

Se 
(227,467 )
 6,1576
nk 82
Standar Error Koefesien
Regresi
Digunakan untuk mengukur besarnya tingkat
kesalahan dari koefesien regresi:

Se 6,1576
Sb  Sb1   0,359
( X ) 2
(192) 2

X 
2
(4902 ) 
n 8
 Uji F
Uji F digunakan untuk uji ketepatan model, apakah nilai prediksi
mampu menggambarkan kondisi sesungguhnya:

Ho: Diterima jika F hitung  F tabel

Ha: Diterima jika F hitung > F tabel

R 2 /( k  1) 0,743 /( 2  1)
F F  17,367
1  R 2 /( n  k ) 1  0,743 /(8  2)

Karena F hitung (17,367) > dari F tabel (5,99) maka persamaan

regresi dinyatakan Baik (good of fit).
 Uji t
Digunakan untuk mengatahui pengaruh variabel bebas
terhadap variabel tergantung.
Ho: Diterima jika t hitung  t tabel
Ha: Diterima jika t hitung > t tabel

bj 1,497
Thitung  t hitung   4,167
Sbj 0,359

Karena t hitung (4,167) > dari t tabel (1,943) maka Ha diterima

ada pengaruh iklan terhadap penjualan.
SUMMARY
OUTPUT

Regression Statistics
Multiple R 0.862
R Square 0.743
Adjusted R Square 0.700
Standard Error 6.158
Observations 8

ANOVA
Significan
df SS MS F ce F
Regression 1 658.503 658.503 17.367 0.006
Residual 6 227.497 37.916
Total 7 886

Coefficien Standard
ts Error t Stat P-value
Intercept 40.082 8.890 4.509 0.004
X 1.497 0.359 4.167 0.006
 Persamaan regresi linier:
Y = 40,082 + 1,497X

Kesalahan standar deviasi Sb = 0.359

Nilai t hitung = 4.167. nilai ini digunakan
dalam pengujian terhadap koefisien
regresi untuk mengetahui apakah
variable independen berpengaruh
secara signifikan terhadap perubahan
nilai variabel dependen
 Untuk kasus ini  5% nilai kritisnya
adalah (lihat tabel distribusi normal):

t(n-k; /2) = t(8-2;0.025) = + 2.447

t.Hitung = 4.167 lebih besar dari t.kritis =

2.447. keputusannya adalah menolak
H0. Artinya, secara statistik X
berpengaruh terhadap Y
 Pengaruh X terhadap Y dapat juga
dilihat melalui p-value

p-value = 0.00590 lebih kecil bila

dibandingkan dengan  0.05, sehingga
keputusannya menolak H0. Artinya,
secara statistik X berpengaruh terhadap
Y. ini konsisten dengan hasil pengujian
menggunakan nilai t.hitung.
 Koefisien determinasi r square =
0.743

Digunakan untuk mengetahui

presentase pengaruh variabel
independen terhadap perubahan
variabel dependen. Artinya, pengaruh
variabel X terhadap perubahan variabel
Y adalah 74.3%, sedangkan sisanya
25.7% dipengaruhi variabel lain selain
variabel X.
 Nilai F ratio = 17.367

Dapat digunakan dalam pengujian untuk

mengetahui apakah variasi nilai variabel
independen secara statistik dapat
menjelaskan variasi nilai variabel
dependen.
 KESIMPULAN DAN
IMPLIKASI
KESIMPULAN
Terdapat pengaruh positif biaya
periklanan terhadap volume penjualan.

IMPLIKASI
Sebaiknya perusahaan terus
meningkatkan periklanan agar
penjualan meningkat.
 Tugas:
Carilah persamaan regresi dari data
berikut:

X 3 4 5 6 7 8 9
Y 12 11 13 12 13 14 16
 ANALISIS
REGRESI BERGANDA
 ANALISIS
REGRESI BERGANDA
Dalam kasus nyata, sering diinginkan
persamaan regresi yang akan digunakan
untuk mengistimasi suatu variabel yang
melibatkan lebih dari dua variabel
independen
 ANALISIS
REGRESI BERGANDA
Persamaan regresi yang melibatkan lebih
dari dua variabel independen akan sulit
ditentukan dengan menggunakan cara
manual.

Y = a + b1X1 + b2X2 = b3X3 + …+ bnXn

ANALISIS
PERSAMAAN REGRESI
Untuk mengetahui atau menaksir nilai
variabel dependen, perlu diketahui:
1. Koefisien regresi (uji parsial) {uji
hipotesis}
2. Persentase pengaruh semua variabel
independen secara bersama-sama thd
nilai variabel dependen {R square}
3. Pengaruh semua variabel independen
secara bersama-sama thd nilai variabel
dependen (uji simultan) {uji F}
 Y X1 X2
1 100 1 200
2 300 5 700
3 400 8 800
4 200 6 400
5 100 3 100
6 400 10 600
 Y = 6.3972 + 20.4921X1 + 0.2805X2
 Sb (5.8822) (0.0689)
 t.test (3.484) (4.089)
 R square = 0.9737

 F.ratio = 55.440
Pengujian Terhadap Koefisien
Regresi (Uji Parsial)

Pengujian Terhadap Koefisien
Regresi (Uji Parsial) ….. lanjutan
3. Nilai t.test (t.hitung)
t.test untuk 1 = 3.484
t.test untuk 2 = 4.089

4. Pengambilan Keputusan
Nilai t.test dari setiap koefisien regresi
terletak di daerah penolakan H0. maka,
keputusannya adalah menolak H0 dan
menerima H1
Pengujian Terhadap Koefisien
Regresi (Uji Parsial) ….. lanjutan
5. Kesimpulan
Nilai koefisien regresi dari setiap persamaan
regresi berbeda dengan 0. sehingga dapat
disimpulkan bahwa kedua variabel
independen tersebut (X1 dan X2)
berpengaruh terhadap variabel dependen
(Y)
Pengukuran Persentase Pengaruh
Semua Variabel Independen
Koefisien determinasi (R square) adalah
0.9737. artinya, pengaruh semua variabel
independen terhadap perubahan nilai
variabel dependen adalah 97.37% dan
sisanya (2.63%) dipengaruhi oleh variabel
lain selain variabel independen yang
digunakan (X1 dan X2).
Pengukuran Persentase Pengaruh
Semua Variabel Independen …
lanjutan

Persentase pengaruh variabel independen

terhadap variabel dependen dalam
persamaan regresi tersebut menunjukkan
pengaruh yang besar (97.37%). Sehingga,
jika diukur dari besarnya pengaruh variabel
independen thd perubahan nilai variabel
dependen tsb, maka persamaan regresi
yang dihasilkan baik utk menaksir nilai
variabel dependen
Pengujian Terhadap Pengaruh
Variabel Independen Secara
Bersama (Uji Simultan)

Menggunakan distribusi F dengan

membandingkan antara nilai kritis dengan
nilai F.test (F.ratio)

Pengujian thd pengaruh variabel independen

secara bersama-sama thd perubahan nilai
variabel dependen dilakukan melalui
pengujian thd besarnya perubahan nilai
variabel yang dijelaskan oleh perubahan nilai
semua variabel independen
Pengujian Terhadap Pengaruh
Variabel Independen Secara
Bersama (Uji Simultan) … lanjutan

1. Perumusan Hipotesis
H0: Variasi perubahan nilai variabel
independen tidak dapat menjelaskan variasi
perubahan nilai variabel dependen.
H1 : Variasi perubahan nilai variabel
independen dapat menjelaskan variasi
perubahan nilai variabel dependen.
Pengujian Terhadap Pengaruh
Variabel Independen Secara
Bersama (Uji Simultan) … lanjutan

2. Nilai Kritis
F(2;3;0.05) = 9.55
3. Nilai F.test
F.Test = 55.400 (lihat tabel anova, F.ratio)

4. Keputusan
Nilai F.test terletak di daerah penolakan H0,
sehingga keputusannya adalah menolak H0
dan menerima H1
Pengujian Terhadap Pengaruh
Variabel Independen Secara
Bersama (Uji Simultan) … lanjutan

5. Kesimpulan
Dapat disimpulkan bahwa variasi perubahan
nilai variabel dependen dapat dijelaskan oleh
variasi perubahan nilai semua variabel
independen. Artinya, semua variabel
independen (X1 dan X2) secara bersama-
sama (secara simultan) dapat berpengaruh
thd variabel dependen (Y)
KESIMPULAN

Persamaan regresi yang diperoleh dapat

(baik) digunakan untuk menaksir nilai
variabel dependen (Y) pada nilai variabel
independen (X1,X2) tertentu. Kesimpulan ini
didukung oleh:
 KESIMPULAN
1. Hasil pengujian secara parsial diperoleh
kesimpulan bahwa setiap variabel
independen (X1,X2) berpengaruh
terhadap perubahan nilai variabel
dependen (Y)
2. R square yang tinggi, yaitu 0.9737. ini
menunjukkan besarnya pengaruh semua
variabel independen (X1,X2) adalah
97.37%. Sedangkan sisanya, 2,63%
dipengaruhi oleh variabel selain X1 dan
X2
KESIMPULAN … lanjutan
3. Hasil pengujian terhadap variasi
perubahan nilai variabel dependen (Y) yang
dapat dijelaskan oleh variasi perubahan nilai
variabel independen (X1 dan X2) dapat
dibuktikan bahwa semua variabel
independen secara bersama-sama (secara
simultan) dapat mempengaruhi variabel
dependen (Y)