REGRESI SEDERHANA

A. Pengertian Regresi Linier Sederhana

Regresi linier (linear regression) adalah teknik yang digunakan untuk memperoleh
model hubungan antara 1 variabel dependen dengan 1 atau lebih variabel independen.
Apabila digunakan 1 variabel independen dalam model, maka teknik ini dinamakan regresi
linier sederhana (simple linear regression). Sedangkan, jika yang digunakan adalah beberapa
variabel independen, teknik ini dinamakan regresi linier ganda (multiple linear regression).1

Variabel independen adalah variabel yang bebas dan tidak bergantung. Maksudnya
variabel yang berubah-ubah tanpa adanya pengaruh variabel atau variabel-variabel yang lain.
Tetapi, sebaliknya sesuatu perubahan yang terjadi pada variabel bebas akan mengakibatkan
terjadinya perubahan pada variabel yang lain. Variabel dependen adalah variabel tidak bebas
dan bergantung. Maksudnya variabel yang hanya akan berubah manakala terjadi perubahan
pada variabel atau variabel-variabel lainnya.2

Kedua bentuk variabel tersebut kadang-kadang saling berasosiasi dengan variabel lain,
tetapi bisa saja tidak mempunyai hubungan di antara keduanya. Variabel-variabel yang saling
berhubungan misalnya: variabel curah hujan dengan variabel hasil panen, variabel produksi
telur dengan variabel makanan ayam, variabel pendapatan dengan variabel konsumsi, dan
70
lain-lain. Untuk mengetahui adanya antara 2 buah variabel, diperlukan adanya pengamatan
terhadap 2 buah variabel tersebut.3

Manfaat dari hasil analisis regresi adalah untuk membuat keputusan apakah naik dan
menurunnya variabel dependen dapat dilakukan melalui peningkatan variabel independen
atau tidak. Sebagai contoh, naiknya jumlah penjualan dapat dilakukan melalui jumlah iklan
atau tidak.4

B. Model Persamaan Regresi Linier Sederhana

1
Johan Harlan, Analisis Regresi Linear, (Depok: Gunadarma, 2018), h. 5.
2
Soegyarto Mangkuatmodjo, Statistik Lanjutan, (Jakarta: PT Rineka Cipta, 2004), h.188
3
Ibid., h. 189
4
Sugiyono, Statistika untuk Penelitian, (Bandung: CV ALFABETA, 2015), h. 260.
 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, seperti disajikan pada
Gambar 1.5

Y= a+ bX

gambar 1. Ilustrasi Garis Regresi Linier

Persamaan regresi linier sederhana secara matematik diekspresikan oleh :

Y =a+bX

Yang mana :

Y =¿garis regresi/variabel response

a=¿ konstanta (intersep), perpotongan dengan sumbu vertikal

b = konstanta regresi (slope)

X = variabel bebas/prediktor

Besarnya konstanta a dan b dapat ditentukan menggunakan persamaan :

a=¿ ¿

b=n ¿ ¿

Yang mana n = jumlah data

Variabel dependen pada regresi linear disebut juga sebagai respons atau kriterion,
sedangkan variabel independen dikenal pula sebagai prediktor atau regresor. Kovariat adalah
variabel independen yang berkorelasi dengan prediktor lainnya, juga mempengaruhi respons.

5
I Made Yuliara, “Modul: Regresi Linier Sederhana” http://3218126438990fa0771ddb555f70be42.pdf
diakses pada 02 November 2019
Kovariat umumnya tidak diminati hubungannya dengan respons dan hanya digunakan untuk
pengendalian hubungan prediktor-respons dalam model.

Respons pada regresi linear selalu berupa variabel kontinu, sedangkan prediktor dapat
berupa variabel kontinu, indikator, ataupun karegorik yang disubstitusikan menjadi variabel
indikator.6

1. Regresi linier sederhana dengan prediktor kontinu

Model yang digunakan untuk regresi linear sederhana adalah:
Y i=β 0 + β 1 X i+ ε i ; i=1,2 , … , n
Y i: Respons untuk subjek ke-i
X i : Prediktor untuk subjek ke-i
β i : Galat untuk subjek ke-i
β 0 dan β 1 merupakan parameter dalam populasi yang hendak diestimasi dalam fitting
model. Pada fitting model dengan data sampel akan diperoleh persamaan garis regresi.
Y^i= b 0+ bi x i ; i=1,2 , … , n
β 0 dinamakan intersep (intercept) atau konstante, menyatakan jarak dari titik pangkal ke
titik potong garis regresi dengan sumbu Y (sumbu vertikal), merupakan penaksir untuk β 0. b i
disebut juga sebagai kemiringan (slope) atau koefisien regresi, menyatakan kemiringan garis
regresi yang diukur sebagai target sudut yang dibentuk oleh garis horizontal dengan garis
regresi dalam arah positif (diukur berlawanan dengan perputaran jarum jam), merupakan
penaksiran untuk β 1. ε i menyatakan galat untuk anggota sampel ke-i, sekaligus merupakan
penaksiran untuk ε i.
2. Regresi linier sederhana dengan indikator
Model untuk regresi linear sederhana dengan prediktor indikator (variabel dummy) adalah:
Y i=β 0 + β 1 X i+ ε i ; X={ 0,1 }
X i : Prediktor indikator (variabel dummy). Indikator adalah variabel kategorik biner yang
hanya dapat bernilai 0 atau 1.
Perhatikan bahwa indikator tidak diberikan nilai 1 atau 2. Variabel kategorik biner yang
bernilai 1 dan 2 terlebih dahulu dikonversi menjadi indikator yang bernilai 0 atau 1 sebelum
dilakukan fitting model.7

6
Johan Harlan, Analisis Regresi Linear , op. cit., hal.5
7
Ibid., hal.6
Langkah-langkah Analisis dan Uji Regresi Linier Sederhana

Adapun langkah-langkah yang perlu dilakukan untuk melakukan analisis dan uji regresi linier
sederhana adalah sebagai berikut :

1. Menentukan tujuan dari Analisis Regresi Linear Sederhana

2. Mengidentifikasi variabel predictor dan variabel response
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 Signifikan8
Untuk memberikan pemahaman yang lebih jelas mengenai regresi linier sederhana,
dalam kegiatan belajar ini diberikan suatu contoh kasus, yaitu : Suatu data penelitian tentang
berat badan 10 mahasiswa yang diprediksi dipengaruhi oleh konsumsi jumlah kalori/hari.
Bagaimana menganalisis kasus ini ?

Untuk menganalisis kasus ini, hal-hal dilakukan adalah :

 Tujuan : apakah konsumsi jumlah kalori/hari mempengaruhi berat badan mahasiswa.

 Variabel : X (variable bebas/predictor) = jumlah kalori/hari Y (variable tak
bebas/response) = berat badan.
Data :

No Nama Mahasiswa Kalori/hari (X) Berat Badan (Y)

.

1 Dian 530 89

2 Echa 300 48

3 Winda 358 56

4 Kelo 510 72

5 Intan 302 54

6 Putu 300 42

8
I Made Yuliara, “Modul: Regresi Linier Sederhana”
http://3218126438990fa0771ddb555f70be42.pdf diakses pada 02 November 2019
 7 Aditya 387 60

8 Anita 527 85

9 Sefia 415 63

10 Rosa 512 74

Tabel bantu yang dibuat untuk memudahkan dalam melakukan perhitungan:

No X X2 Y Y2 XY

1 530 280900 89 7921 47170

2 300 90000 48 2304 14400

3 358 128264 56 3136 20048

4 510 260100 72 5184 36720

5 302 91204 54 2916 16308

6 300 90000 42 1764 12600

7 387 149769 60 3600 23220

8 527 277729 85 7225 44795

9 415 172225 63 3969 26145

10 512 262144 74 5476 37888

4141 1802235 643 43495 279294

 Koefisien regresi b ditentukan dengan menggunakan rumus yang telah diberikan,

yaitu:
b=n ¿ ¿

10 ( 279294 )−(4141)(643) 130227

¿ = ≅ 0,14892 ≈ 0,149
10 ( 1802235 )−( 4141)2 874469

 Konstanta a ditentukan menggunakan rumus :

a=¿ ¿

( 643 )( 1802235 ) −( 4141)(279294) 2280651

¿ = ≅ 2,608
10 (1802235 )−(4141)2 874469

Konstanta a juga dapat dicari dari nilai rata-rata X dan Y, yaitu :

 a=Ý −b X́=64,3−0,149(414,1)≅ 2,608

Sehingga model persamaan regresi linier sederhananya adalah: Y=2,608 + 0,149 X.

 Koefisien Korelasi (r)

Untuk mengukur kekuatan hubungan antar variable predictor X dan response Y, dilakukan
analisis korelasi yang hasilnya dinyatakan oleh suatu bilangan yang dikenal dengan koefisien
korelasi. Biasanya analisis regresi sering dilakukan bersama-sama dengan analisis korelasi.
Persamaan koefisien korelasi (r ) diekspresikan oleh :

n n n

r=
n ∑ X i Y i−
i=1
( )(∑ ) ∑ Xi
i=1 i=1
Yi

√[
n n 2 n n 2

n∑ X −
i=1
2
i (∑ ) ][ ∑ (∑ ) ]
i=1
Xi n
i=1
2
Y −
i
i=1
Yi

Dalam hal contoh kasus diatas, maka koefisien korelasinya adalah:

n n n

r=
i=1
( )( )
n ∑ X i Y i− ∑ Xi ∑ Y i
i=1 i=1

√[
n n 2 n n 2

n∑ X −
i=1
2
i (∑ ) ][ ∑ (∑ ) ]
i=1
Xi n
i=1
2
Y −
i
i=1
Yi

10 ( 279294 )−( 4141)(643)

¿ 2 2
√[ 10 ( 1802235 )−(4141) ][ 10 ( 43495 )−(643) ]
130277
¿ =0,95
137120,2318

Nilai ini memberi arti bahwa, hubungan variable bebas/predictor X dengan variabel terikat/
response Y adalah sangat kuat, prosentasenya 95%. Jadi, berat badan memang sangat
dipengaruhi oleh konsumsi jumlah kalori/hari.

 Koefisien Determinasi (r 2 ¿
Koefisien determinasi dapat ditentukan dengan mengkuadratkan koefisien korelasi. Dari
contoh kasus di atas, maka koefisien determinasinya adalah r 2 = 0,90 . Nilai ini berarti
bahwa, 90% variabel bebas/ predictor X dapat menerangkan/ menjelaskan variabel tak bebas/
response Y dan 10% dijelaskan oleh variabel lainnya.9

9
I Made Yuliara, “Modul: Regresi Linier Sederhana”
http://3218126438990fa0771ddb555f70be42.pdf diakses pada 02 November 2019
C. Uji Signifikasi Parameter

Dengan uji signifikansi ini dapat diketahui apakah variable bebas/ predictor/ independent (X)
berpengaruh secara signifikan terhadap variable tak bebas/ response/ dependent (Y). Arti dari
signifikan adalah bahwa pengaruh antar varible berlaku bagi seluruh populasi. uji signifikansi
menggunakan uji-t :
Langkah-langkah yang perlu dilakukan dalam uji-t pada regresi linier adalah:
1. Menentukan Hipotesis
H 0 : β=0; variabel X tidak berpengaruh signifikan/nyata terhadap Y
H 1: β ≠ 0 ; variabel X berpengaruh signifikan/nyata teerhadap Y.
2. Menentukan tingkat signifikansi (α ¿
Tingkat signifikansi, α yang sering digunakan adalah α =5 % (α =0,05).
3. Menghitung daerah penolakan menggunakan rumus :
r √n−2
t hit =
√ 1−r 2
4. Menentukan daerah penolakan H 0 (daerah kritis)
Bentuk pengujian dua arah, sehingga menggunakan uji-t dua arah :
H 0 akan ditolak jika t hit > t tab atau -(t ¿¿ hit)←(t tab ) ¿, berarti H 1 diterima. H 0akan diterima jika

atau -(t ¿¿ hit)<t tab < t hit ¿ , berarti H 1ditolak.

5. Menentukan t table (mempergunakan table Uji-t, lihat Lampiran !)
Tabel Uji-t untuk α =5 % dan derajat kebebasan (df) = n-k; (n=jumlah sampel/pengukuran, k
adalah jumlah variabel (variabel bebas+variabel terikat).
6. Kriteria pengujian nilai t hitung daan t tabel
Bila nilai t hit < t tab , maka H 0 diterima, H 1ditolak.
Bila nilai t hit > t tab maka H 0ditolak, H 1diterima.
7. Kesimpulan hasil uji signifikansi.
Contoh penerapan Uji-t, kembali digunakan contoh kasus yang telah dibahas sebelumnya.
Dari contoh kasus di atas diketahui Koefisien Determinasi ( r 2) = 0,90 Koefisien Korelasi (r)
= 0,95 Jumlah data n = 10

1. Hipotesis yang diasumsikan/ diajukan :

H 0: β=0 ; variabel X tidak berpengaruh signifikan terhadap Y

H 1: β ≠ 0 ; variabel X berpengaruh signifikan terhadap Y

2. Tingkat signifikan α =5 %

r √n−2 0,95 √ 10−2

3. Nilai t hitung, t hit = = =8,497 ; berarti t hit =8,497
√ 1−r 2 √1−0.90
4. Derajat kebebasan, df =n−k=10−2=8

Dengan menggunakan tabel uji-t untuk taraf signifikan α =5 %= 0,05 dan df= 8, maka
diperoleh nilai t pada table, yaitu : t tab=2,306

Membandingkan t hit dengan t tab:

t hit > t tab = 8,497¿2,306

Kesimpulan : Nilai t hit > t tab , sehingga dikatakan bahwa, ada pengaruh nyata (signifikan)
variabel predictor X terhadap variabel respons Y dengan taraf signifikan 5%.10

Simpulan

Regresi linier (linear regression) adalah teknik yang digunakan untuk memperoleh
model hubungan antara 1 variabel dependen dengan 1 atau lebih variabel independen.
Persamaan regresi linier sederhana merupakan suatu model persamaan yang menggambarkan
hubungan satu variabel bebas/ predictor (X) dengan satu variabel tak bebas/ response (Y).
Persamaan regresi linier sederhana secara matematik diekspresikan oleh : Y = a + bX . Uji
signifikansi bertujuam untuk mengetahui apakah variable bebas/ predictor/ independent (X)
berpengaruh secara signifikan terhadap variable tak bebas/ response/ dependent (Y). Arti dari
signifikan adalah bahwa pengaruh antar varible berlaku bagi seluruh populasi.

10
I Made Yuliara, “Modul: Regresi Linier Sederhana” http://3218126438990fa0771ddb555f70be42.pdf
diakses pada 02 November 2019