1 M® EfEB

Model regresi linier merupakan suatu model yang parameternya linier (bisa saja fungsinya
tidak berbentuk garus lurus), dan secara kuantitatif dapat digunakan untuk menganalisis
pengaruh suatu variabel terhadap variabel lainnya. Dengan (sumber bacaan) Regresi linier
adalah metode statistika yang digunakan untuk membentuk model atau hubungan antara
satu atau lebih variabel bebas X dengan sebuah variabel respon Y. Analisis regresi dengan
satu variabel bebas X disebut sebagai regresi linier sederhana, sedangkan jika terdapat lebih
dari satu variabel bebas X,

Analisis regresi menyangkut studi tentang hubungan antara satu variabel Y yang disebut
variabel tak bebas atau variabel yang dijelaskan (dependend variable) dan satu atau lebih
variabel X1, X2,Xp, yang disebut variabel bebas atau variabel penjelas (independent
variable). Persamaan regresi yang hanya terdiri dari satu variabel bebas, maka model
tersebut dikenal dengan sebutan regresi linier sederhana (simple regression). Sedangkan
jika dalam persamaan regresi terdapat lebih dari satu variabel bebas, maka model yang
diperoleh disebut dengan regresi linier Berganda (multiple regression).
(https://id.rn.wikipedia.org/wiki/Regresi_linear)

a.Regresi Linier Sederhana

Regresi linier sederhana adalah suatu metode yang digunakan untuk melihat
hubungan antar satu variabel independent (bebas) Atau mempunyai hubungan garis lurus
dengan variabel dependennya (terikat) dan model regresi variabel independen menerangkan
variabel dependen nya

Dalam regresi linear sederhana hubungan variabel tersebut dapat dituliskan dalam bentuk
model persamaan linear:

Mencari nilai a

• (turunan e2 tehadap a)

•= °
2
• (Ea+Efex-2>)=0
• 2(na+b£x-£ y) = 0

• nzf + x r=0

nn
y =a+bx • a = y-bx
Cara mencari n Hai koefisien a pada regresi linier sederhana, maka didapat bahwa a=y -bx

Mencari nilai b
• ^y = a+b£x (sama-sama dikalikan V.r)

-E-v'f

Variabel Bebas dan Terikat Regresi Linier Sederhana (Dependent And Independent
Variable)

Dependent Variable/Variabel Tak Bebas (Y): Variabel yang nilainya ditentukan oleh
variabel lain. Diasumsikan bersifat random/stochastic
Independent Variable/Variabel Bebas (X): Variabel yang nilainya ditentukan secara
bebas (variabel yang diduga mempengaruhi variabel tak bebas). Diasumsikan
bersifat fixed/non stochastic.
Syarat: Y: Berjenis data kuantitatif X: Berjenis data kuantitatif atau kualitatif/kategorik
z

Konsep Dasar Regresi Linier Sederhana

• Pada suatu nilai X tertentu akan terdapat banyak kemungkinan nilai-nilai Y (Y akan
terdistribusi mengikuti suatu fungsi peluang tertentu Distribusi Normal) dengan Nilai
rata-rata E(Y) dan Nilai varians o2 tertentu
• Nilai rata-rata E(Y) diasumsikan berubah secara sistematik mengikuti perubahan nilai
X, yang digambarkan dalam bentuk garis linier (https://statmat.id/regresi-linier-
sederhana/#:~:text=Regresi%20linier%20sederhana%20adalah%20suatu, denga n
%20variabel%20dependennya%20(terikat).&text=Namun%20kenyataanya%20h
ubungan%20antar%20variabel,terikat%20jarang%20sekali%20sesederhana%20i tu.)

• Nilai varians o2 pada setiap nilai X akan sama

Model Regresi Linear Sederhana

Yi = Po + P1X1 + Si (i = 1,2 n)

dimana:
 • Yi merupakan nilai dari variabel dependent pada observasi ke-i
• Po dan Pi merupakan parameter model
• Ei merupakan komponen error (pengaruh variabel bebas lain selain variabel X)
• Xi adalah nilai variabel bebas X pada observasi ke-i
• N adalah banyaknya data observasi (sampel)

Note: Po dan Pi disebut juga koefisien regresi, Po merupakan intercept dan Pi merupakan
slope (gradien garis) yang menyatakan perubahan nilai Y untuk setiap kenaikan satu satuan
X. (https://teknikelektronika.com/analisis-regresi-linear- sederhana-simple-linear-regression/)

Asumsi Regresi Linier Sederhana

Dalam aplikasinya terdapat beberapa asumsi yang harus terpenuhi untuk melakukan analisis
regresi sederhana. Beberapa asumsi tersebut sebagai berikut:

1. Yi (Variabel Tak Bebas/Dependent Variable) merupakan random variable/bersifat

stochastic
2. Xi (Variabel bebas/lndependent Variable) bersifat fixed/non stochastic (bukan
merupakan random variable)
3. E(si) = 0
4. E(si Sj) = E(si2) = o2 untuk i = j (Homoscedastic)
5. E(si Sj) = 0 untuk i # j (Non autocorrelation)
6. si merupakan random variable yang terdistribusi secara bebas dan indentik mengikuti
distribusi normal dengan rata-rata 0 dan varian o2

Metode estimasi yang digunakan pada regresi linier sederhana adalah Metode Kuadrat
Terkecil (Least Square Method) dengan prinsip meminimalkan Is2

Sehingga estimasi parameternya:

/3^=1(X]-X )(Yl-Y )1(X]-X )2

/3“0=Y -/T1X

Estimasi untuk Y jika X diketahui:

ri=F+f*\Xi

fo=Y -pyx
Estimasi untuk Y jika X diketahui:

Y'/=/?''+/?''W
b. Regresi Linier Berganda

Model analisis regresi linier berganda dengan k variabel independen dapat dinyatakan
sebagai berikut:

Yi = 00 + 0i*n + 0i*i2 + - + PkX + ef ik

Dimana :

• Yi = nilai variabel dependen dalam observasi ke-i, i = 1,2,...,n

• Po, Pi,Pk = parameter regresi

• Xij = variabel independen ke-j, j = 1,2,...,k dalam observasi ke-i, i = 1, 2,...,n
• Si = galat acak yang diasumsikan berdistribusi normal

Untuk memperoleh model regresi linier berganda dapat dilakukan dengan mengestimasi
parameter regresi menggunakan metode tertentu. Adapun metode estimasi parameter yang
dapat digunakan adalah metode kuadrat terkecil (Ordinary Least Square / OLS) dan metode
kemungkinan maksimum (Maximum Likelihood Estimation / MLE).

Berikut adalah rumus regresi linier berganda untuk mengestimasi parameter regresi p
menggunakan OLS:

/? = (xTx)-1xrr
Dalam rumus regresi linier berganda di atas, X dan Y merupakan matriks sehingga rumus
tersebut dapat digunakan pada model regresi dengan k variabel independen. Berikut akan
disajikan rumus regresi linier berganda untuk mengestimasi parameter regresi jika terdapat
dua variabel independen di dalam model.

ff -f?Yf vl-ff Yf A_VI-I AM J M-1 A M J

OK-^MjA
I'E^YZ^HZ^YZ^'I
i-kH A J M-i A
M M J
(MMtW
60 = F-d1X1-62T2

Dimana :

• bo, bi, dan b2 = nilai estimasi parameter 0o, 0i dan 02

• Xi dan X2 = variabel independen
• Y = variabel dependen

Tahapan

Secara umum, tahapan analisis regresi linier berganda adalah sebagai berikut:

• Menentukan variabel dependen dan variabel independen.

• Melakukan uji linearitas karena model yang digunakan merupakan model regresi
linier.
• Membangun model dan menyeleksi variabel independen yang signifikan dalam
model.
• Melakukan cek diagnostik atau biasa disebut uji asumsi klasik (dari metode OLS)
yakni memeriksa asumsi homoskedastisitas (variansi galat yang bersifat konstan),
tidak adanya autokorelasi dari galat, tidak adanya multikolinearitas antar variabel
independen dan uji normalitas residual.

Cara Uji Regresi Linier Berganda

Dalam tahapan pembangunan model dalam uji regresi linier berganda, terdapat pengujian
hipotesis untuk mengetahui apakah model regresi layak untuk digunakan dan apakah
variabel-variabel independen signifikan di dalam model. Uji hipotesis yang digunakan dalam
uji regresi linier berganda adalah uji F dan uji t.

Uji F

Uji F ini digunakan untuk mengetahui apakah variabel-variabel independen secara signifikan
bersama-sama berpengaruh terhadap variabel dependen. Dengan kata lain, untuk
mengetahui apakah model regresi yang terbentuk layak digunakan atau tidak. Uji F dalam uji
regresi seringkali disebut sebagai uji overall. Rumus regresi linier

berganda untuk F hitung dari uji ini adalah sebagai berikut:

r2//c
2
(1 — r )/(n — k — l')

Kemudian nilai F hitung tersebut dibandingkan dengan nilai tabel uji F dengan derajat bebas
pembilang = k-1 dan penyebut = n-k (dimana k = jumlah variabel independen dan n =
banyaknya sampel). Hipotesis model tidak layak digunakan akan ditolak jika nilai F hitung
lebih besar dari F tabel.

Uji t (Uji Parsial)

Uji parsial bertujuan untuk mengetahui apakah variabel-variabel independen di dalam model
yang terbentuk berpengaruh terhadap variabel dependen secara parsial. Uji ini dilakukan
untuk setiap variabel independen yang ada di dalam model. Rumus regresi linier berganda
untuk mencari nilai t hitung dinyatakan sebagai berikut:

zr \
^hit —

se(&j)
Dimana bi merupakan nilai estimasi parameter £i dan se(bi) merupakan standard error dari
bi. Hipotesis variabel independen tidak signifikan di dalam model akan ditolak jika nilai |thit|
lebih besar dari nilai t tabel.
 2. Contoh kasus minimal 3 variabel, data 15 tahun terakhir

Seorang Manajer Pemasaran deterjen merek "ATTACK" ingin mengetahui apakah Promosi
dan Harga berpengaruh terhadap keputusan konsumen membeli produk tersebut?

Hipotesis:

Ho : 01 = 32 = 0, Promosi dan Harga tidak berpengaruh signifikan terhadap keputusan

konsumen membeli deterjen merek "ATTACK".

Ha : 31 *32* 0, Promosi dan Harga berpengaruh signifikan terhadap keputusan konsumen

membeli deterjen merek "ATTACK".

Data Kasus
No. Promosi Promosi Keputusan Konsumen
Responden (XI) (X2) (Y)
1 10 7 23
2 2 3 7
3 4 2 15
4 6 4 17
5 8 6 23
6 7 5 22
7 4 3 10
8 6 3 14
9 7 4 20
10 6 3 19
Jumlah 60 40 170

Tabel Pembantu
No.Res X, X2 Y XnY X2Y XnX2 V V
p
1 10 7 23 230 161 70 100 49
2 2 3 7 14 21 6 4 91
3 4 2 15 60 30 8 16 4
4 6 4 17 102 68 24 36 16
5 8 6 23 184 138 48 64 36
6 7 5 22 154 110 35 49 25
7 4 3 10 40 30 12 16 9
8 6 3 14 84 42 18 36 9

9 7 4 20 140 80 28 49 16
10 6 3 18 114 57 18 36 9
Jumlah 60 40 1780 1122 737 267 402 182
1Y = an+ X, + b£ X2

2X1Y = a\Xi + b^X2. + b2\X1X2 \X2 Y =a\ X2 + /?7ZX7X2 + b21X22

170 = 10a + 60b1 + 40 b2....................................(1)

1122 = 60 a+ 406 b1 +267 b2..............................(2)
737 = 40 a +267 b1 + 182 b2...............................(3)

Persamaan (1) dikalikan 6, persamaan (2) dikalikan 1:

1020 = 60 a + 360 b1+240 b2

35163 = 60 a + 406 b1+267 b2 -
-102 = 0 a +-46 b1+-27 b2 -102 = -46b1-27b2..........(4)

Persamaan (1) dikalikan 4, persamaan (3) dikalikan 1:

680 = 40 a + 240 b1+160 b2

737 = 40 a + 267 b1+182 b2 -
-57 = 0 a + -T1 b1 + -22 b2 -57 = -27 b1 - 22 b2.......(5)

Persamaan (4) dikalikan Tl, persamaan (5) dikalikan 46:

-2754 = -1242 b1 -729 b2

-2622 =-1242 b1-1012 b2 -
-132 = 0 b1 + 283 b2
b2 =-132:283 = -0,466

Harga b2 dimasukkan ke dalam salah satu persamaan (4) atau (5): -102 =-46 b1-27 (-0,466)
-102 =-46 b1+12,582
46 b1 =114,582
b1 = 2,4909

Harga b1 dan b2 dimasukkan ke dalam persamaan 1:

170 = 10 a + 60 (2,4909) + 40 (-0,466)

170 = 10 a+ 149,454- 18,640
10 a = 170- 149,454+18,640
a =39,186:10 = 3,9186

Jadi:
a =3,9186
b1 = 2,4909
b2 = -0,466

Keterangan:
a = konstanta
b1 = koefisien regresi X1 b2 = koefisien regresi X2

Persamaan regresi: Y = 3,9186 + 2,4909 X1 - 0,466 X2

PENGUJIAN HIPOTESIS

Koefisien Korelasi Berganda (R)

R =b17X1Y +
YY2
R =2,4909.1122+ -0,466.737
3162
=2794,7898 + -343,442
3162
=0,775252308

Koefisien Determinasi (R2)

R2 = (0,775252308)2

= 0,60

F Hitung

F Hitung = R2 (N-k-1)
K(1- R2)

=0,60 (10-2-1)
2(1-0,60)

=5,25

Ket:

K = jumlah variable bebas

F Tabel
Dk Pembilang = k
=2
Dk Penyebut = n-k-1
 = 10-2-1
=7=
F tabel 4,74

Hipotesis
Ho:01 = 02 = 0, Variabel Promosi Dan Harga Tidak Berpengaruh Signifikan Terhadap
Keputusan Konsumen Membeli Deterjen Merek "Attack"

Ha : 01 *02 * 0, Variabel Promosi Dan Harga Berpengaruh Signifikan Terhadap Keputusan

Konsumen Membeli Deterjen Merek "Attack"

Kriteria:
F hitung < F tabel = Ho diterima F hitung > F tabel = Ho ditolak, Ha diterima

F hitung (5,25) > F tabel (4,74) = Ho ditolak, Ha Diterima

Jadi, dapat disimpulkan bahwa Promosi dan Harga berpengaruh signifikan terhadap
keputusan konsumen membeli deterjen merek "ATTACK".