MAKALAH STATISTIK EKONOMI DAN BISNIS

TENTANG REGRESI LINIER SEDERHANA DAN UJI ASUMSI KLASIK

OLEH KELOMPOK 2 :

DENI SETIAWAN 203010303006

DESTYA 203020303140
DINA ERIANA DEWI 203030303215
ELDRA TIARI 203020303058
FRENGKY NATALINO IMANUEL 203020303133
HELMI 203020303055
HUMAIRAH 203030303177
INDRIA PRATIWI HANDAYANI 203030303238
IRA MAYA SOFIANA SIALLAGAN 203020303138
YOLANDA TERESA 203030303199

FAKULTAS EKONOMI DAN BISNIS

JURUSAN AKUNTANSI
UNIVERSITAS PALANGKA RAYA
2021
 KATA PENGANTAR

Puji syukur kehadirat Tuhan Yang Mahakuasa karena telah memberikan

kesempatan kepada kami untuk menyelesaikan makalah ini. Penyusunan makalah
ini di susun untuk memenuhi tugas kelompok Statistik Ekonomi dan Bisnis II
tentang Tentang Regresi Linier Sederhana Dan Uji Asumsi Klasik. Selain itu
tujuan dari penyusunan makalah ini juga untuk menambah wawasan tentang
pengetahuan tentang mata kuliah Statistik Ekonomi dan Bisnis II.

Kami juga mengucapkan terimakasih kepada Leliana Maria Angela, SE.,

M.Sc, Ak, CA selaku dosen mata kuliah Statistik Ekonomi dan Bisnis II yang
telah membimbing kami agar dapat menyelesaikan makalah ini.

Kami menyadari bahwa makalah ini jauh dari kata kesepempurnaan. Oleh
karena itu, kritik dan saran yang membangun, kami terima untuk kesempurnaan
makalah ini. Kami mengucapkan terimakasih dan semoga makalah ini bermanfaat
bagi kami sebagai penulis dan pembaca.

Palangka Raya, 2 Oktober 2021

Penyusun

DAFTAR IS
KATA PENGANTAR.............................................................................................ii
DAFTAR ISI..........................................................................................................iii
BAB I PENDAHULUAN........................................................................................1
1. Latar Belakang..............................................................................................1
2. Maksud dan Tujuan.......................................................................................2
3. Rumusan Masalah.........................................................................................2
BAB II PEMBAHASAN.........................................................................................3
1. Pengertian Dan Model Analisis Regresi.......................................................3
2. Model Regresi Sederhana.............................................................................4
3. Pengertian Uji Normalitas.............................................................................7
4. Pengertian Uji Autokorelasi..........................................................................8
5. Konsep dasar regresi sederhana....................................................................9
6. Variabel dalam regresi sederhana...............................................................10
7. Langkah Membuat Regresi Linear Sederhana............................................11
8. Istilah dalam Regresi Linier Sederhana......................................................11
9. Kegunaan Regresi Sederhana......................................................................12
10. Asumsi Regresi Linier Sederhana...........................................................14
11. Autokorelasi Positif & Autokorelasi Negatif..........................................14
12. Cara Mendeteksi Autokorelasi................................................................15
BAB III PENUTUP...............................................................................................18
1. Kesimpulan.................................................................................................18
2. Saran............................................................................................................18
DAFTAR PUSTAKA............................................................................................19
 BAB I PENDAHULUAN

1. Latar Belakang

Universitas palangka raya menerapkan sistem pembelajaran jarak

jauh (SPJJ). Istilah jarak jauh berarti pembelajaran tidak dilakukan secara
tatap muka, melainkan menggunakan media. Pada sistem pembelajaran
jarak jauh (SPJJ) , mahasiswa diharapkan dapat belajar secara mandiri dan
mahasiswa juga dituntut untuk mengatur waktunya secara efisien.
Salah satu indikator keberhasilan mahasiswa adalah indeks prestasi
kumulatif (IPK). Ada beberapa nilai yang mempengaruhi keberhasilan
belajar mahasiswa, seperti mengikuti pembelajaran yang telah dirumuskan
dalam RPS, mengikuti instruksi dosen untuk membuat makalah tentang
Pembahasan pada pertemuan ke 5 tentang Tentang Regresi Linier
Sederhana Dan Uji Asumsi Klasik.

Beberapa materi yang akan dibahas pada makalah ini berkaitan

dengan analisi regresi sederhana,uji normalitas dan autokorelasi. Dimana
analisi regresi sederhana merupakan metode pendekatan untuk pemodalan
hubungan antara satu variabel dependen dan satu variabel independen.
Dalam analisis regresi sederhana, hubungan antara variabel bersifat linier,
di mana perubahan pada variabel X akan diikuti oleh perubahan variabel Y
secara tetap ,Autokorelasi merupakan adanya korelasi antar anggota
sampel atau data pengamatan yang diurutkan berdasarkan waktu. dan uji
normalitas adalah sebuah uji yang dilakukan dengan tujuan untuk menilai
sebaran data pada sebuah kelompok data atau variabel, apakah sebaran
data tersebut berdistribusi normal ataukah tidak.

Dari latar belakang permasalahan, muncul ketertarikan untuk

membahas lebih mendalam permasalahan, sehingga dapat menjelaskan
secara lebih luas apa yang dimaksud dengan analisi regresi sederhana,uji
normalitas dan autokorelasi.
2. Maksud dan Tujuan

1. Mengetahui lebih dalam tentang apa itu regresi sederhana,uji normalitas

dan autokorelasi.

3. Rumusan Masalah

1. Apa saja pembahasan tentang uji regresi sederhana, uji normalitas dan
autokorelasi yang dapat anda simpulkan dari makalah ini?
 BAB II PEMBAHASAN

1. Pengertian Dan Model Analisis Regresi

Analisis regresi merupakan analisis ketergantungan dari satu atau

lebih variabel bebas terhadap satu variabel tergantung, dengan tujuan
untuk menduga atau memprediksi nilai rata-rata populasi berdasarkan
niali-nilai variabel bebasnya.
Perbedaan mendasar antara analisis korelasi dengan analisis regresi
adalah bahwa analisis korelasi hanya bertujuan untuk mengukur kekuatan
hubungan linier antar dua variabel, sehingga pada analisis korelasi tidak
membedakan antara variabel bebas dengan variabel tergantung. Sedangkan
analisis regresi selain mengukur kekuatan hubungan antar dua variabel
atau lebih, analisis regresi juga digunakan untuk menetukan aarah
hubungan antara variabel bebas dengan variabel tergantungnya. Berikut ini
adalah istilah lain dari variabel bebas dan variabel tergantung:

 Variabel yang Dipengaruhi (Y) : variabel tergantung/terikat

(Dependent Variable), variabel yang dijelaskan (Expalined variable);
variabel yang diramalkan (Predictand variable); variable yang
diregresi (Regressand variable); Variabel tanggapan (Response
variable).
 Variabel yang Memengaruhi (X) : variabel bebas (Dependent
variable); variabel yang menjelaskan (Explanatory variable); variabel
peramal (Predictor variable); variabel yang meregresi (Regressor
variable); variabel perangsang atau kendali (Stimulus or Control
variable).

Analisis regresi tidak boleh digunakan untuk menguji hubungan bersifat

identitas. Hubungan identitas merupakan bentuk hubungan yang bukan
disebabkan oleh adanya fenomena sebab-akibat tetapi disebabkan oleh
sebuah persamaan yang telah dibentuk (seperti produktifitas dengan hasil
produksi, upah yang diterima dengan hasil produksi). Berkaitan dengan
 analisis regresi ini setidaknya ada empat kegiatan yang dapat dilaksanakan
dalam analisis regresi:

 Mengadakan estimasi terhadap parameter berdasarkan data empiris

 Menguji berapa besar variasi variasi variabel dependent dapat
diterangkan oleh variasi variabel independent
 Menguji apakah estimasi parameter tersebut signifikan atau tidak dan
 Melihat apakah tanda dan magnitud dari estimasi parameter cocok
dengan teori

2. Model Regresi Sederhana

Regresi sederhana digunakan unuk menganalisis hubungan kausal satu

variabel bebas terhadap satu variabel tergantung. Model yang digunakan
untuk analisis regresi sederhana adalah:

Y = a + bX + ε

 Y = nilai yang diramalkan

 a  = konstanta/intercept
 b  = koefisien regresi/slope
 X = variabel bebas
 ε  = nilai residu

Model regresi sederhana yang baik harus memenuhi asumsi-asumsi

berikut:

a. Eksogenitas yang lemah, kita harus memahami secara mendasar

sebelum menggunakan analisis regresi bahwa analisis ini
mensyaratkan bahwa variabel X bersifat fixed atau tetap, sementara
variabel Y bersifat random. Maksudnya adalah satu nilai variabel X
akan memprediksi variabel Y sehingga ada kemungkinan beberapa
variabel Y. dengan demikian harus ada nilai error atau kesalahan
 pada variabel Y. Sebagai contoh ketika pendapatan (X) seseorang
sebesar Rp 1 juta rupiah, maka pengeluarannya bisa saja, Rp 500
ribu, Rp 600 ribu, Rp 700 ribu dan seterusnya.
b. inieritas, seperti sudah dijelaskan sebelumnya bahwa model
analisis regresi bersifat linier. artinya kenaikan variabel X harus
diikuti secara proporsional oleh kenaikan variabel Y. Jika dalam
pengujian linieritas tidak terpenuhi, maka kita dapat melakukan
transformasi data atau menggunakan model kuadratik,
eksponensial atau model lainnya yang sesuai dengan pola
hubungan non-linier.
c. Varians error yang konstan, ini menjelaskan bahwa varians error
atau varians residual yang tidak berubah-ubah pada respon yang
berbeda. asumsi ini lebih dikenal dengan asumsi
homoskedastisitas. Mengapa varians error perlu konstan? karena
jika konstan maka variabel error dapat membentuk model sendiri
dan mengganggu model. Oleh karena itu, penanggulangan
permasalahan heteroskedastisitas/non-homoskedastisitas dapat
diatasi dengan menambahkan model varians error ke dalam model
atau model ARCH/GARCH.
d. Autokorelasi untuk data time series, jika kita menggunakan analisis
regresi sederhana untuk data time series atau data yang disusun
berdasarkan urutan waktu, maka ada satu asumsi yang harus
dipenuhi yaitu asumsi autokorelasi. Asumsi ini melihat pengaruh
variabel lag waktu sebelumnya terhadap variabel Y. Jika ada
gangguan autokorelasi artinya ada pengaruh variabel lag waktu
sebelumnya terhadap variabel Y. sebagai contoh, model kenaikan
harga BBM terhadap inflasi, jika ditemukan atukorelasi artinya
terdapat pengaruh lag waktu terhadap inflasi. Artinya inflasi hari
ini atau bulan ini bukan dipengaruhi oleh kenaikan BBM hari ini
namun dipengaruhi oleh kenaikan BBM sebelumnya (satu hari atau
satu bulan tergantung data yang dikumpulkan).
Dalam analsis regresi menggunakan SPSS ada beberapa hal yang
dianalisis sebagai dasar untuk melakukan analisis lebih mendalam dari
sekedar persamaan regresi yang terbentuk, diantaranya:

1. Persamaan Regresi, menggambarkan model hubungan antar variabel

bebas dengan variabel yang terikatnya (yang diramalkan). Persamaan
ini tersusun dari nilai konstanta/intercept (a) dan nilai koefisien
regresi/slope (b) variabel bebasnya
2. Nilai prediksi, merupakan besar nilai variabel terikat ( Ŷ ) yang
diperoleh dari prediksi dengan menggunakan persamaan regresi yang
terbentuk.
3. Koefisien Determinasi (R), merupakan besarnya kontribusi variabel
bebas terhadap variabel terikat, yang nilainya semakin tinggi maka
semakin tinggi variabel bebas menjelaskan variasi perubahan pada
variabel terikatnya.
4. Kesalahan Baku Estimasi, merupakan satuan yang digunakan untuk
menentukan besarnya tinggkat penyimpangan dari persamaan yang
terbentuk dengan nilai senyatanya. Semakin tinggi kesalahan baku
estimasi maka semakin lemah persamaan regresi tersebut untuk
digunakan sebagai alat proyeksi
5. Kesalahn Baku Koefisien Regresi, meerupakan satuan yang digunakan
untuk menunjukkan tingkat penyimpangan dari masing-masing
koefisien regresi. Semakin tinggi kesalahan baku koefisien regresi
maka semakin lemah variabel tersebut untuk diikutkan dalam model
persamaan regresi (semakin tidak berpengaruh).
6. Nilai F hitung, digunakan untuk menguji model persamaan
regresi fit (cocok) atau tidak dari pengaruh secara simultan variabel
bebasnya terhadap varibel terikatnya.
7. Nilai t hitung, digunakan untuk menguji secara parsial (per variabel)
terhadap variabel terikatnya.
3. Pengertian Uji Normalitas

Uji Normalitas adalah sebuah uji yang dilakukan dengan tujuan

untuk menilai sebaran data pada sebuah kelompok data atau
variabel, apakah sebaran data tersebut berdistribusi normal ataukah tidak.
Uji Normalitas berguna untuk menentukan data yang telah
dikumpulkan berdistribusi normal atau diambil dari populasi normal.
Metode klasik dalam pengujian normalitas suatu data tidak begitu rumit.
Berdasarkan pengalaman empiris beberapa pakar statistik, data yang
banyaknya lebih dari 30 angka (n > 30), maka sudah dapat diasumsikan
berdistribusi normal. Biasa dikatakan sebagai sampel besar.
Namun untuk memberikan kepastian, data yang dimiliki
berdistribusi normal atau tidak, sebaiknya digunakan uji normalitas.
Karena belum tentu data yang lebih dari 30 bisa dipastikan berdistribusi
normal, demikian sebaliknya data yang banyaknya kurang dari 30 belum
tentu tidak berdistribusi normal, untuk itu perlu suatu pembuktian.
Penyebab data tidak berdistribusi normal adalah terutama adanya
data extreme atau data pencilan yang biasa disebut dengan istilah outlier.
Dengan adanya outlier tersebut, maka sebaran data bisa menjadi condong
ke kiri atau condong ke kanan. Dimana jika sebaran data ini kita nilai
secara visual misalnya menggunakan histogram, maka seharusnya data
yang berdistribusi normal akan membentuk sebaran seperti lonceng
menghadap ke atas.
Jika anda menghadapi situasi dimana data tidak berdistribusi
normal, maka langkah yang dapat anda lakukan adalah dengan menilai
apakah data tersebut ada outlier atau pencilan data. Jika memang ada,
maka selanjutnya anda bisa melakukan Trimming yaitu mengeliminasi
data yang menjadi penyebab terjadinya outlier.

 Uji Normalitas

Asumsi normalitas adalah asumsi residual yang berdistribusi normal.

Asumsi ini harus dipenuhi untuk model regresi linier yang baik. Uji
 normalitas dilakukan pada nilai residual model regresi. Penyebab
terjadinya kasus normalitas sebagai berikut:

 Terdapat data residual dari model regresi yang memiliki nilai data
yang berada jauh dari himpunan data atau data ekstrim (outliers),
sehingga penyebaran datanya menjadi non normal.

 Terdapat kondisi alami dari data yang pada dasarnya tidak

berdistribusi normal atau berdistribusi lain. seperti: distribusi
binomial, Multinomial, Gamma, dll.

4. Pengertian Uji Autokorelasi

Uji Autokorelasi adalah sebuah analisis statistik yang dilakukan

untuk mengetahui adakah korelasi variabel yang ada di dalam model
prediksi dengan perubahan waktu. Oleh karena itu, apabila asumsi
autokorelasi terjadi pada sebuah model prediksi, maka nilai disturbance
tidak lagi berpasangan secara bebas, melainkan berpasangan secara
autokorelasi. Dalam kesempatan ini, kita hanya akan fokus pada tutorial
uji autokorelasi dengan SPSS. Namun prinsip penting lainnya tetap akan
kami bahas secara singkat dan padat serta mudah dipahami.
Uji autokorelasi di dalam model regresi linear, harus dilakukan
apabila data merupakan data time series atau runtut waktu. Sebab yang
dimaksud dengan autokorelasi sebenarnya adalah: sebuah nilai
pada sampel atau observasi tertentu sangat dipengaruhi oleh nilai
observasi sebelumnya.

Uji Autokorelasi

Asumsi autokorelasi merupakan asumsi residual yang memiliki

komponen/nilai yang berkorelasi berdasarkan waktu (urutan waktu) pada
himpunan data itu sendiri. Proses autokorelasi terjadi ketika kovarian
antara ɛi dengan ɛi tidak sama dengan nol dengan Cov(ɛi. ɛj) ≠ 0; i ≠ j
Pada pengujian ini diharapkan asumsi autokorelasi tidak terpenuhi.
5. Konsep dasar regresi sederhana

Analisis regresi sederhana bertujuan untuk mengetahui pengaruh

dari suatu variabel terhadap variabel lainnya. Pada analisis regresi suatu
variabel yang mempengaruhi disebut variabel bebas atau independent
variable, sedangkan variabel yang dipengaruhi disebut variabel terkait atau
dependent variable. Jika persamaan regresi hanya terdapat satu variabel
bebas dengan satu variabel terkait, maka disebut dengan persamaan regresi
sederhana. Jika variabel bebasnya lebih dari satu, maka disebut dengan
persamaan regresi berganda. Pada regresi sederhana kita dapat mengetahui
berapa besar perubahan dari variabel bebas dapat mempengaruhi suatu
variabel terkait.

Secara praktis analisis regresi sederhana memiliki kegunaan sebagai

berikut:
1. Model regresi sederhana dapat digunakan untuk forecast atau
memprediksi nilai Y. Namun sebelum melakukan forecasting, terlebih
dahulu harus dibuat model atau persamaan regresi linier. Ketika model
yang fit sudah terbentuk maka model tersebut memiliki kemampuan
untuk memprediksi nilai Y berdasarkan variabel Y yang diketahui.
Katakanlah sebuah model regresi digunakan untuk membuat
persamaan antara pendapatan (X) dan konsumsi (Y). Ketika sudah
diperoleh model yang fit antara pendapatan dengan konsumsi, maka
kita dapat memprediksi berapa tingkat konsumsi masyarakat ketika
kita sudah mengetahui pendapatan masyarakat.
2. Mengukur pengaruh variabel X terhadap variabel Y. Misalkan kita
memiliki satu serial data variabel Y, melalui analisis regresi linier
sederhana kita dapat membuat model variabel-variabel yang memiliki
pengaruh terhadap variabel Y. Hubungan antara variabel dalam
analisis regresi bersifat kausalitas atau sebab akibat. Berbeda halnya
dengan analisis korelasi yang hanya melihat hubungan asosiatif tanpa
 mengetahui apa variabel yang menjadi sebab dan apa variabel yang
menjadi akibat.

6. Variabel dalam regresi sederhana.

Variabel yang mempengaruhi dalam regresi sederhana disebut

dengan berbagai istilah: variabel independen, variabel bebas, variabel
penjelas, variabel eksplanatorik, atau variabel X karena dalam grafik
sering digambar sebagai absis atau sumbu X. Variabel yang dipengaruhi
dikenal sebagai variabel dependen, variabel terikat, atau variabel Y. Kedua
variabel ini dapat merupakan variabel acak (random), namun variabel yang
dipengaruhi harus selalu variabel acak. Analisis regresi adalah salah satu
analisis yang luas pemakaiannya. Analisis regresi digunakan untuk
melakukan prediksi dan ramalan.
Analisis regresi juga digunakan untuk memahami variabel –
variabel bebas mana saja yang dapat berhubungan dengan variabel terikat,
serta untuk mengetahui bentuk hubungan tersebut. Tujuan analisis regresi
untuk mendapatkan pola hubungan secara matematis dari variabel X dan
variabel Y, dan untuk mengetahui besarnya perubahan variabel X terhadap
variabel Y, serta untuk memprediksi variabel Y jika nilai variabel X
diketahui. Prinsip dasar pada persamaan regresi sederhana adalah bahwa
antara variabel dependen (Y) dengan variable independennya (Y) harus
memiliki sifat hubungan sebab akibat atau hubungan kausalitas,
berdasarkan teori, dari hasil penelitian sebelumnya, atau juga yang
didasarkan dari penjelasan logis tertentu.
Contoh untuk regresi sederhana adalah jumlah uang saku yang
diterima mahasiswa dipengaruhi dengan jarak tempuh dari rumah ke
kampus. Apabila didasarkan dari penjelasan logis maka semakin dekat
jarak rumah dengan kampus maka akan semakin kecil nilai uang saku
mahasiswa, sebaliknya apabila semakin jauh jarak tempuh dari rumah ke
kampus maka akan semakin besar jumlah uang saku mahasiswa, sehingga
 jarak tempuh dari rumah ke kampus (variabel X) akan mempengaruhi nilai
uang saku mahasiswa (variabel Y) secara positif.

7. Langkah Membuat Regresi Linear Sederhana.

 Cari dulu apakah kedua variabel tersebut ada hubungan linear atau
tidak
 Tentukan terlebih dahulu variabel independent (x) dan variabel
dependennya (y)
 Membuat diagram pencar dari data x dan y
 Dari diagram pencar tersebut akan diperoleh gambaran pola
tebaran x dan y.apakah membentuk hubungan linear?jika ya,maka
model regresinya adalah regresi linear sederhana,kalau tidak linear
bias dicari regresinya
 Menghitung a dan b
 Menghitung ̂=+, dimana ̂= estimasi harga y jika x disubtitusikan
kedalam persamaan regresi
 Membuat garis ̂=+  pada sumbu x dan y

8. Istilah dalam Regresi Linier Sederhana

Koefisien Korelasi (r) adalah nilai yang menyatakan kuat atau tidaknya
hubungan antara 2 variabel

Standar error koefisien regresi (E) adalah ukuran dari ketepatan koefisien
regresi dalam memprediksi nilai populasinya.Standar error diukur
berdasarkan akar kuadrat dari deviasi atau varians koefisien regresi sampel
dengan koefisien regresi populasi

Koefisien determinasi regresi(r2) adalah a. Nilai yang menunjukkan

seberapa besar pengurangan variasi dalam Y (variabel dependent) saat satu
atau lebih X (variabel independent) masuk kedalam model
regresi. b. Besarnya sumbangan / andil dari variabel x terhadap variasi
atau naik turunnya y.

Konstanta (a) adalah perpotongan garis regresi dengan sumbu Y (nilai

 estimate jika x = 0)

Koefisien arah dari regresi linear (b) adalah nilai yang menunjukkan
seberapa besar perubahan nilai Y (variabel dependen) saat X (variabel
independent) bertambah satu-satuan.

9. Kegunaan Regresi Sederhana.

Analisis regresi sederhana bertujuan untuk mengetahui pengaruh dari

suatu variabel terhadap variabel lainnya. Pada analisis regresi suatu
variabel yang mempengaruhi disebut variabel bebas atau independent
variable, sedangkan variabel yang dipengaruhi disebut variabel terkait atau
dependent variable. Jika persamaan regresi hanya terdapat satu variabel
bebas dengan satu variabel terkait, maka disebut dengan persamaan regresi
sederhana. Jika variabel bebasnya lebih dari satu, maka disebut dengan
persamaan regresi berganda. Pada regresi sederhana kita dapat mengetahui
berapa besar perubahan dari variabel bebas dapat mempengaruhi suatu
variabel terkait.

Variabel yang mempengaruhi disebut dengan berbagai istilah: variabel

independen, variabel bebas, variabel penjelas, variabel eksplanatorik, atau
variabel X karena dalam grafik sering digambar sebagai absis atau sumbu
X). Variabel yang dipengaruhi dikenal sebagai variabel dependen, variabel
terikat, atau variabel Y. Kedua variabel ini dapat merupakan variabel acak
(random), namun variabel yang dipengaruhi harus selalu variabel acak.
Analisis regresi adalah salah satu analisis yang luas pemakaiannya.
Analisis regresi digunakan untuk melakukan prediksi dan ramalan.

Analisis regresi juga dapat digunakan untuk memahami variabel – variabel

bebas mana saja yang dapat berhubungan dengan variabel terikat, serta
untuk mengetahui bentuk hubungan tersebut. Tujuan analisis regresi untuk
mendapatkan pola hubungan secara matematis dari variabel X dan variabel
Y, dan untuk mengetahui besarnya perubahan variabel X terhadap variabel
Y, serta untuk memprediksi variabel Y jika nilai variabel X diketahui.
Prinsip dasar pada persamaan regresi sederhana adalah bahwa antara
variabel dependen (Y) dengan variable independennya (Y) harus memiliki
sifat hubungan sebab akibat atau hubungan kausalitas, berdasarkan teori,
dari hasil penelitian sebelumnya, atau juga yang didasarkan dari
penjelasan logis tertentu.
Analisis regresi linier sederhana adalah hubungan secara linear antara satu
variabel independen (X) dengan variabel dependen (Y). Analisis regresi
sederhana dapat digunakan untuk mengetahui arah dari hubungan antara
variabel bebas dengan variabel terikat, apakah memiliki hubungan positif
atau negatif serta untuk memprediksi nilai dari variabel terikat apabila
nilai variabel bebas mengalami kenaikan ataupun penurunan. Pada regresi
sederhana biasanya data yang digunakan memiliki skala interval atau
rasio.

Rumus regresi linear sederhana sebagai berikut:

                              Y = a + bX

Keterangan:

Y     = Variabel dependen (variabel terikat)

X     = Variabel independent (variabel bebas)

a      = Konstanta (nilai dari Y apabila X = 0)

b      = Koefisien regresi (pengaruh positif atau negatif)

Contoh untuk regresi sederhana adalah jumlah uang saku yang diterima
mahasiswa dipengaruhi dengan jarak tempuh dari rumah ke kampus.
Apabila didasarkan dari penjelasan logis maka semakin dekat jarak rumah
dengan kampus maka akan semakin kecil nilai uang saku mahasiswa,
sebaliknya apabila semakin jauh jarak tempuh dari rumah ke kampus maka
akan semakin besar jumlah uang saku mahasiswa, sehingga jarak tempuh
dari rumah ke kampus (variabel X) akan mempengaruhi nilai uang saku
mahasiswa (variabel Y) secara positif.

Referensi:

Ghozali, I. (2016) Aplikasi Analisis Multivariete Dengan Program IBM

SPSS 23. Edisi 8. Semarang: Badan Penerbit Universitas Diponegoro.
10. Asumsi Regresi Linier Sederhana.

Dalam aplikasinya terdapat beberapa asumsi yang harus terpenuhi untuk

melakukan analisis regresi sederhana. Beberapa asumsi tersebut sebagai
berikut :
 Yi (Variabel Tak Bebas/Dependent Variable) merupakan random
variable/bersifat stochastic
 Xi (Variabel bebas/Independent Variable) bersifat fixed/non
stochastic (bukan merupakan random variable)
 E(εi) = 0
 E(εi εj) = E(εi2) = σ2 untuk i = j (Homoscedastic)
 E(εi εj) = 0 untuk i ≠ j (Non autocorrelation)
 εi merupakan random variable yang terdistribusi secara bebas dan
indentik mengikuti distribusi normal dengan rata-rata 0 dan varian
σ2

Metode estimasi yang digunakan pada regresi linier sederhana adalah

Metode Kuadrat Terkecil (Least Square Method) dengan prinsip
meminimalkan ∑εi2

Sehingga estimasi parameternya:

ˆ1=∑(1−⎯⎯⎯⎯⎯)(1−⎯⎯⎯⎯⎯)∑(1−⎯⎯⎯⎯⎯)2. dan ˆ0=⎯⎯⎯⎯−ˆ1

Estimasi untuk Y jika X diketahui : ˆ=ˆ+ˆ1

11. Autokorelasi Positif & Autokorelasi Negatif

 AUTOKORELASI POSITIF :
Autokorelasi positif adalah autokorelasi dimana error yang
selalu diikuti oleh error yang sama tandanya. Misalnya ketika satu
periode sebelumnya positif maka error berikutnya akan positif.
  AUTOKORELASI NEGATIF:
Autokorelasi negatif menyebabkan kesalahan akan diikuti
oleh kesalahan yang berbeda tanda. Misalnya ketika errornya
positif maka akan diikuti oleh error negatif pada periode
selanjutnya.

12. Cara Mendeteksi Autokorelasi

Hal pertama yang dapat dilakukan yaitu dengan cara melihat pola
autokorelasinya yaitu,melihat pola antara Residual (Ꜫt) dan waktu (t) atau
nomor observasinya (i)
Cara selanjutnya untuk mendeteksi autokorelasi adalah yaitu
dengan menggunakan uji Durbin-Watson memiliki hipotesis yang di uji
yaitu
H0: ᵨ=0 (Tidak terjadi autokorelasi) H0: ᵨ=0 H0: ᵨ=0
H1: ᵨ≠0 ( tidak sama dengan nol yang berarti terjadi autokorelasi)
H1: ᵨ>0 (terjadi autokorelasi positif) H1: ᵨ<0 (terjadi autokorelasi
negatif)
Metode grafik, Metode ini merupakan metode yang paling sederhana
untuk mendeteksi autokorelasi. Sekaligus merupakan langkah awal untuk
mendeteksi autokorelasi. Sesuai dengan definisinya, metode ini
membandingkan antara residual dengan variabel X. selain itu, dengan
membandingkan antara rasidual ke-t dengan residual ke-(t-1).

Aurokorelasi positif pada gambar A

Autokorelasi negatif pada gambar B

Dilakukan uji lain bisa dengan metode grafik atau metode formal lainnya.
Salah satu uji formal yaitu UJI RUN.

Perinsip kerja uji run sangat sederhana yaitu dengan melihat tanda nilai
residual negtaif atau positif(+) atau negatif (-), tanpa memperhatikan
nilainya. Sehingga run yang dimaksud disini adalah sekelompok nilai
residual yang mempunyai tanda sama secara bertusut-turut.
Hipotesis:
H0=residual random
H1=tidak demikian

Untuk menghitungnya digunakan beberapa fungsi berikut:

Dimana: 
N=jumlah observasi
N1=jumlah run positif(+)
N2=jumlah run negatif(-)
Dalam melakukan pengujian hipotesis, digunakan analisis interval
kepercayaan :
E(run)-1,96 <= run <= E(run)+1,96 run
Keputusan:
Apabila nilai Run berada diantara interval tersebut maka terima H0
sehingga disimpulkan residualnya random dan tidak adanya unsur
autokorelasi.
 BAB III PENUTUP

1. Kesimpulan

Analisis regresi merupakan analisis ketergantungan dari satu atau lebih

variabel bebas terhadap satu variabel tergantung, dengan tujuan untuk
menduga atau memprediksi nilai rata-rata populasi berdasarkan niali-nilai
variabel bebasnya. Analisis regresi tidak boleh digunakan untuk menguji
hubungan bersifat identitas.
Uji Normalitas adalah sebuah uji yang dilakukan dengan tujuan
untuk menilai sebaran data pada sebuah kelompok data atau
variabel, apakah sebaran data tersebut berdistribusi normal ataukah tidak.
Uji Normalitas berguna untuk menentukan data yang telah dikumpulkan
berdistribusi normal atau diambil dari populasi normal.
Uji Autokorelasi adalah sebuah analisis statistik yang dilakukan
untuk mengetahui adakah korelasi variabel yang ada di dalam model
prediksi dengan perubahan waktu. Oleh karena itu, apabila asumsi
autokorelasi terjadi pada sebuah model prediksi, maka nilai disturbance
tidak lagi berpasangan secara bebas, melainkan berpasangan secara
autokorelasi.

2. Saran
Dari penjelasan diatas, kami berharap pembaca dapat lebih mudah
mengerti dan memahami tentang analisis regresi, uji normalitas, dan
autokorelasi. agar pembaca dapat menerapkan materi yang kami
sampaikan dalam mengerjakan tugas , terutama mahasiswa yang akan
menerima materi analisis regresi, uji normalitas, dan autokorelasi.
 DAFTAR PUSTAKA

Pangestuti, R. Samrotun Chomsatu, & Y. Wijayanti, A. (2020). Determinan

ketepatan waktu pelaporan keuangan perusahaan subsektor tranportasi
terdaftar di BEI.
Hidayat, A. (2017). Pengertian dan penjelasan ujiautokorelasi durbin watson.
Diakses pada 27 September 2021 dari
https://www.statistikian.com/2017/01/uji-autokorelasi-durbin-watson-
spss.html?amp
Unkown,. Name. (2021). Pengertian autokorelasi positif dan negatif dengan spss.
Diakses pada 27 september 2021 dari
https://www.en.globaltatistik.com/pengertian-autokorelasi-positif-dan-
negatif-dengan-spss/
Aliwear. (2016). Analisis Linier Berganda. Diakses Pada 1 Oktober 2021 dari
https://alisadikinwear.wordpress.com/2017/01/24/analisis-
regresi/amp/#aoh=16330969163513&referrer=https%3A%2F
%2Fwww.google.com&amp_tf=Dari%20%251%24s
Mulyono. (2019). Analisis Regresi Sederhana Analisis Linier Berganda.Diakses
Pada 1 Oktober 2021 dari
https://bbs.binus.ac.id/management/2019/12/analisis-regresi-sederhana/
Aulia. R. (Year Unknown). Analisis Regresi Sederhana, ini penjelasannya.
Diakses Pada 2 Oktober 2021 dari
https://www.globalstatistik.com/analisis-regresi-sederhana-ini-
penjelasannya/
Hidayat, Anwar. (2017). Pengertian dan Penjelasan Uji Auto Korelasi Durbin

Watson. Diakses Pada 1 Oktober 2021 dari

https://www.statistikian.com/2017/01/uji-autokorelasi-durbin-watson-
spss.html

Hidayat, Anwar. (2013). Uji Normalitas dan Metode Perhitungan. Diakses Pada 1

Oktober 2021 dari https://www.statistikian.com/2013/01/uji-

normalitas.html