MAKALAH

ANALISIS REGRESI SEDERHANA

Disusun Guna Memenuhi Tugas
Mata Kuliah : Statistik Inferensial
Dosen Pengampu : Dirasti Novianti, M.Pd

Disusun Oleh :

Puput Handika A 2119216

Fani Rismayanti 2119222
Casruniawati 2119223
Irma Alfionita 2119226

KELAS G
JURUSAN PENDIDIKAN AGAMA ISLAM
FAKULTAS TARBIYAH DAN ILMU KEGURUAN
INSTITUT AGAMA ISLAM NEGERI (IAIN) PEKALONGAN
2021

i
 KATA PENGANTAR
Alhamdulilllah puji syukur kehadiran Allah SWT. yang telah melimpahkan rahmat serta
hidayah-Nya kepada kita semua. Sehingga kami dapat menyelesaikan tugas mata kuliah Statistik
Inferensial dengan baik.

Yang kedua kalinya sholawat serta salam semoga tetap tercurah dan terlimpah kepada
junjungan kita Nabi agung Nabi Muhammad SAW. Semoga kelak nanti di yaumul akhir kita beserta
keluarga kita mendapatkan syafa’atnya. Aamiin.

Pembaca yang budiman, Alhamdulillah kami telah dapat menyelesaikan makalah ini sebagai
tugas dalam mata perkuliahan Statistik Inferensial. Kami ucapkan terimakasih kepada semuanya yang
telah membantu kami dalam penyelesaian tugas makalah ini.

Makalah ini masih perlu dilakukan perbaikan dan penyempurnaan.untuk itu penulis
mengharapkan agar pembaca dapat memberikan masukan, kritik dan saran yang dapat membuat
makalah ini lebih baik lagi. Atas kontribusi yang diberikan penulis mengucapkan terimakasih.

Pekalongan, 25 November 2021

Penulis

ii
 DAFTAR ISI

KATA PENGANTAR.............................................................................................ii

DAFTAR ISI..........................................................................................................iii

BAB I PENDAHULUAN .......................................................................................1

A. Latar Belakang.............................................................................................1
B. Rumusan Masalah........................................................................................1
C. Tujuan..........................................................................................................1

BAB II PEMBAHASAN.........................................................................................2

A. Konsep Analisis Regresi Linier Sederhana..................................................2

B. Perbedaan Korelasi dan Regresi..................................................................7
C. Persamaan Regresi dan Linier Sederhana....................................................9
D. Langkah-Langkah Analisis dan Uji Regresi Linier Sederhana..................10

BAB III PENUTUP...............................................................................................16

A. Kesimpulan................................................................................................16
B. Saran..........................................................................................................16

DAFTAR PUSTAKA............................................................................................17

iii
 BAB I

PENDAHULUAN

A. Latar Belakang
Istilah regresi pertama kali digunakan dalam statistik oleh Sir Francis Galton
pada tahun 1877. Galton membuat penelitian yang menunjukkan bahwa sifat
tinggi badan anak yang dilahirkan ternyata menurun (regress) dari tinggi badan
orang tuanya. Kemudian Galton menggunakan kata “regresi” untuk menamakan
analisis proses prediksi keterkaitan antara variabel tinggi badan anak dengan
tinggi badanorang tuanya.
Regresi linear sederhana adalah regresi yang memiliki satu variabel
independen (X) dan satu variabel dependen (Y). Analisis Regresi Sederhana ini
bertujuan untuk menguji pengaruh antara variabel X terhadap variabel Y. Variabel
yang dipengaruhi disebut variabel dependen, sedangkan variabel
yangmempengaruhi disebut variabel independen. Analisis ini untuk mengetahui
arahhubungan antara variabel independen dengan variabel dependen apakah
positif atau negatif dan untuk memprediksi nilai dari variabel dependen apabila
nilai variabel independen mengalami kenaikan atau penurunan.
Kegunaan regresi dalam penelitian salah satunya adalah memprediksi
nilaivariabel terikat (biasanya dinotasikan dengan huruf Y) apabila variabel
bebas(biasanya dinotasikan dengan huruf X) telah diketahui

B. Rumusan Masalah
1. Apa Konsep Analisis Regresi Linier Sederhana ?
2. Apa Perbedaan Korelasi dan Regresi ?
3. Apa Persamaan Regresi dan Linier Sederhana ?
4. Apa Langkah-Langkah Analisis dan Uji Regresi Linier Sederhana ?
C. Tujuan
1. Untuk mengetahui Konsep Analisis Regresi Linier Sederhana.
2. Untuk mengetahui Perbedaan Korelasi dan Regresi.
3. Untuk mengetahui Persamaan Regresi dan Linier Sederhana.
4. Untuk mengetahui Langkah-Langkah Analisis dan Uji Regresi Linier
Sederhana.

1
 BAB II

PEMBAHASAN

A. Pengertian Regresi linier sederhana

Istilah regresi pertama kali digunakan dalam statistik oleh Sir Francis Galton
pada tahun 1877. Galton membuat penelitian yang menunjukkan bahwa sifat tinggi
badan anak yang dilahirkan ternyata menurun (regress) dari tinggi badan orang
tuanya. Kemudian Galton menggunakan kata “regresi” untuk menamakan analisis
proses prediksi keterkaitan antara variabel tinggi badan anak dengan tinggi
badanorang tuanya. Perkembangan selanjutnya para peneliti menggunakan istilah
multiple regression atau regresi berganda untuk menjelaskan pengaruh
beberapavariabel bebas (independent) terhadap variabel terikat (dependent ).
Kegunaan regresi dalam penelitian salah satunya adalah memprediksi
nilaivariabel terikat (biasanya dinotasikan dengan huruf Y) apabila variabel
bebas(biasanya dinotasikan dengan huruf X) telah diketahui. Analisis regresi adalah
analisis satu arah (non-recursive). Asumsi umum atau prasyarat analisis regresi
diantaranya:
1. Data yang dianalisis jenis data interval atau ratio
2. Data dipilih secara random
3. Data yang dihubungkan berdistribusi normal
4. Data yang dihubungkan berpola linear
5. Data yang dihubungkan mempunyai pasangan yang sama sesuai dengan
subjek yang sama.
Regresi linear sederhana adalah regresi yang memiliki satu variabel
independen (X) dan satu variabel dependen (Y). Analisis Regresi Sederhana ini
bertujuan untuk menguji pengaruh antara variabel X terhadap variabel Y. Variabel
yang dipengaruhi disebut variabel dependen, sedangkan variabel yangmempengaruhi
disebut variabel independen. Analisis ini untuk mengetahui arahhubungan antara
variabel independen dengan variabel dependen apakah positif atau negatif dan untuk
memprediksi nilai dari variabel dependen apabila nilai variabel independen
mengalami kenaikan atau penurunan. Data yang digunakan biasanya berskala interval
atau rasio. Model persamaan regresi linier sederhana sebagai berikut:

2
 Y = a + bX + e

Y = Variabel dependen

a = Konstanta

b = Koefisien variabel independen

x = Variabel independen

e = error

pada analisis regresi terdapat dua jenis variabel, yaitu: variabel bebas(sebagai
variabel predictor) dan variabel terikat. Variabel bebas sering dinotasikandengan X1,
X2, X3, X4…, dan seterusnya. Sedangkan variabel terikat (dependent)dinotasikan
dengan Y.Koefisien (b) regresi linier adalah nilai dari variabel (X) yang bisa
bermakna positif atau negatif, yang fungsinya mempengaruhi variabel (Y). Jika nilai
variabel X positif maka akan berpengaruh naik terhadap variabel Y, akan tetapi jika
nilaivariabel X ternyata negatif justru akan berpengaruh turun terhadap variabel Y.
Makna positif (+) atau negatif (-) tersebut diinterpretasikan dalam besaran satuan.Jika
positif maka naik sebesar satu satuan, jika negatif maka turun sebesar satu satuan.1

Macam-macam asumsi analisis regresi linier sederhana

Regresi linear sederhana didasarkan pada asumsi uji, diantaranya sebagai berikut :

1. Uji Normalitas.
Uji normalitas adalah untuk melihat apakah nilai residual terdistribusi
normal atau tidak. Model regresi yang baik adalah memiliki nilai residual yang
terdistribusi normal. Jadi uji normalitas bukan dilakukan pada masing-masing
variabel tetapi pada nilai residualnya. Sering terjadi kesalahan yang jamak
yaitu bahwa uji normalitas dilakukan pada masing-masing variabel. Hal ini
tidak dilarang tetapi model regresi memerlukan normalitas pada nilai
residualnya bukan pada masing-masing variabel penelitian.
Pengertian normal secara sederhana dapat dianalogikan dengan sebuah
kelas. Dalam kelas siswa yang bodoh sekali dan pandai sekali jumlahnya
hanya sedikit dan sebagian besar berada pada kategori sedang atau rata-rata.
1
Abdurrahman, dkk. Analisis Korelasi, Regresi, dan Jalur dalam Penelitian. 2007. Bandung : CV Pustaka Setia

3
 Jika kelas tersebut bodoh semua maka tidak normal, atau sekolah luar biasa.
Dan sebaliknya jika suatu kelas banyak yang pandai maka kelas tersebut tidak
normal atau merupakan kelas unggulan. Pengamatan data yang normal akan
memberikan nilai ekstrim rendah dan ekstrim tinggi yang sedikit dan
kebanyakan mengumpul di tengah. Demikian juga nilai rata-rata, modus dan
median relatif dekat.
Uji normalitas dapat dilakukan dengan uji histogram, uji normal P Plot,
uji Chi Square, Skewness dan Kurtosis atau uji Kolmogorov Smirnov. Tidak
ada metode yang paling baik atau paling tepat. Tipsnya adalah bahwa
pengujian dengan metode grafik sering menimbulkan perbedaan persepsi di
antara beberapa pengamat, sehingga penggunaan uji normalitas dengan uji
statistik bebas dari keragu-raguan, meskipun tidak ada jaminan bahwa
pengujian dengan uji statistik lebih baik dari pada pengujian dengan metode
grafik.
Jika residual tidak normal tetapi dekat dengan nilai kritis (misalnya
signifikansi Kolmogorov Smirnov sebesar 0,049) maka dapat dicoba dengan
metode lain yang mungkin memberikan justifikasi normal. Tetapi jika jauh
dari nilai normal, maka dapat dilakukan beberapa langkah yaitu: melakukan
transformasi data, melakukan trimming data outliers atau menambah data
observasi. Transformasi dapat dilakukan ke dalam bentuk Logaritma natural,
akar kuadrat, inverse, atau bentuk yang lain tergantung dari bentuk kurva
normalnya, apakah condong ke kiri, ke kanan, mengumpul di tengah atau
menyebar ke samping kanan dan kiri.
2. Uji Multikolinearitas.
Uji multikolinearitas adalah untuk melihat ada atau tidaknya korelasi
yang tinggi antara variabel-variabel bebas dalam suatu model regresi linear
berganda. Jika ada korelasi yang tinggi di antara variabel-variabel bebasnya,
maka hubungan antara variabel bebas terhadap variabel terikatnya menjadi
terganggu. Sebagai ilustrasi, adalah model regresi dengan variabel bebasnya
motivasi, kepemimpinan dan kepuasan kerja dengan variabel terikatnya adalah
kinerja. Logika sederhananya adalah bahwa model tersebut untuk mencari
pengaruh antara motivasi, kepemimpinan dan kepuasan kerja terhadap kinerja.
Jadi tidak boleh ada korelasi yang tinggi antara motivasi dengan

4
 kepemimpinan, motivasi dengan kepuasan kerja atau antara kepemimpinan
dengan kepuasan kerja.
Alat statistik yang sering dipergunakan untuk menguji gangguan
multikolinearitas adalah dengan variance inflation factor (VIF), korelasi
pearson antara variabel-variabel bebas, atau dengan melihat eigenvalues dan
condition index (CI).

Beberapa alternatif cara untuk mengatasi masalah multikolinearitas adalah

sebagai berikut:
a. atau mengeluarkan variabel yang mempunyai korelasi yang tinggi.
b. Menambah jumlah observasi.
c. Mentransformasikan data ke dalam bentuk lain, misalnya logaritma
natural, akar kuadrat atau bentuk first difference delta.
d. Dalam tingkat lanjut dapat digunakan metode regresi bayessian yang
masih jarang sekali digunakan.
3. Heteroskeditas
Uji heteroskedastisitas adalah untuk melihat apakah terdapat
ketidaksamaan varians dari residual satu ke pengamatan ke pengamatan yang
lain. Model regresi yang memenuhi persyaratan adalah di mana terdapat
kesamaan varians dari residual satu pengamatan ke pengamatan yang lain
tetap atau disebut homoskedastisitas.
Deteksi heteroskedastisitas dapat dilakukan dengan metode scatter plot
dengan memplotkan nilai ZPRED (nilai prediksi) dengan SRESID (nilai
residualnya). Model yang baik didapatkan jika tidak terdapat pola tertentu
pada grafik, seperti mengumpul di tengah, menyempit kemudian melebar atau
sebaliknya melebar kemudian menyempit. Uji statistik yang dapat digunakan
adalah uji Glejser, uji Park atau uji White.
Beberapa alternatif solusi jika model menyalahi asumsi
heteroskedastisitas adalah dengan mentransformasikan ke dalam bentuk
logaritma, yang hanya dapat dilakukan jika semua data bernilai positif. Atau
dapat juga dilakukan dengan membagi semua variabel dengan variabel yang
mengalami gangguan heteroskedastisitas.

5
4. Uji Autokorelasi
Uji autokorelasi adalah untuk melihat apakah terjadi korelasi antara
suatu periode t dengan periode sebelumnya (t -1). Secara sederhana adalah
bahwa analisis regresi adalah untuk melihat pengaruh antara variabel bebas
terhadap variabel terikat, jadi tidak boleh ada korelasi antara observasi dengan
data observasi sebelumnya. Sebagai contoh adalah pengaruh antara tingkat
inflasi bulanan terhadap nilai tukar rupiah terhadap dollar. Data tingkat inflasi
pada bulan tertentu, katakanlah bulan Februari, akan dipengaruhi oleh tingkat
inflasi bulan Januari. Berarti terdapat gangguan autokorelasi pada model
tersebut. Contoh lain, pengeluaran rutin dalam suatu rumah tangga. Ketika
pada bulan Januari suatu keluarga mengeluarkan belanja bulanan yang relatif
tinggi, maka tanpa ada pengaruh dari apapun, pengeluaran pada bulan Februari
akan rendah.
Uji autokorelasi hanya dilakukan pada data time series (runtut waktu)
dan tidak perlu dilakukan pada data cross section seperti pada kuesioner di
mana pengukuran semua variabel dilakukan secara serempak pada saat yang
bersamaan. Model regresi pada penelitian di Bursa Efek Indonesia di mana
periodenya lebih dari satu tahun biasanya memerlukan uji autokorelasi.
Beberapa uji statistik yang sering dipergunakan adalah uji Durbin-
Watson, uji dengan Run Test dan jika data observasi di atas 100 data
sebaiknya menggunakan uji Lagrange Multiplier. Beberapa cara untuk
menanggulangi masalah autokorelasi adalah dengan mentransformasikan data
atau bisa juga dengan mengubah model regresi ke dalam bentuk persamaan
beda umum (generalized difference equation). Selain itu juga dapat dilakukan
dengan memasukkan variabel lag dari variabel terikatnya menjadi salah satu
variabel bebas, sehingga data observasi menjadi berkurang.
5. Uji Linearitas.
Uji linearitas dipergunakan untuk melihat apakah model yang
dibangun mempunyai hubungan linear atau tidak. Uji ini jarang digunakan
pada berbagai penelitian, karena biasanya model dibentuk berdasarkan telaah
teoretis bahwa hubungan antara variabel bebas dengan variabel terikatnya
adalah linear. Hubungan antar variabel yang secara teori bukan merupakan
hubungan linear sebenarnya sudah tidak dapat dianalisis dengan regresi linear,
misalnya masalah elastisitas.

6
 Jika ada hubungan antara dua variabel yang belum diketahui apakah
linear atau tidak, uji linearitas tidak dapat digunakan untuk memberikan
adjustment bahwa hubungan tersebut bersifat linear atau tidak. Uji linearitas
digunakan untuk mengkonfirmasikan apakah sifat linear antara dua variabel
yang diidentifikasikan secara teori sesuai atau tidak dengan hasil observasi
yang ada. Uji linearitas dapat menggunakan uji Durbin-Watson, Ramsey Test
atau uji Lagrange Multiplier. 2

B. Perbedaan Korelasi dan Regresi

Regresi dan korelasi keduanya sama-sama mempelajari hubungan antar
variabel, tetapi ada perbedaan di antara keduanya. Korelasi dan Regresi adalah dua
analisis berdasarkan distribusi multivariat. Distribusi multivariat digambarkan sebagai
distribusi beberapa variabel. Korelasi digambarkan sebagai analisis yang
memungkinkan kita mengetahui hubungan atau tidak adanya hubungan antara dua
variabel ‘x’ dan ‘y’. Di sisi lain, analisis Regresi, memprediksi nilai variabel
dependen berdasarkan nilai yang diketahui dari variabel independen, dengan asumsi
bahwa rata-rata hubungan matematika antara dua atau lebih variabel.
Regresi mengukur seberapa besar suatu variabel mempengaruhi variabel yang
lain, sehingga dapat digunakan untuk melakukan peramalan nilai suatu variabel
berdasarkan variabel lain. Korelasi juga mempelajari hubungan antar variabel, tetapi
digunakan untuk melihat seberapa erat hubungan antar dua variabel kuantitatif dilihat
dari besarnya angka dan bukan dari tandanya. Dengan menggunakan korelasi, kita
dapat mengetahui arah hubungan yang terjadi dalam dua variabel. Jika korelasi
bertanda positif artinya berbanding lurus dan jika bertanda negatif maka berbanding
terbalik. Korelasi tidak bisa menyatakan hubungan sebab akibat meskipun angka
korelasinya tinggi. Misal ada dua pernyataan:
1. Tanaman mati kekeringan di musim kemarau
2. Pupuk kompos diberikan saat musim kemarau
Dari kedua pernyataan di atas, kita tidak dapat mengatakan bahwa pupuk
kompos menyebabkan tanaman mati meskipun korelasinya tinggi. Analisis korelasi
berkaitan erat dengan regresi, tetapi secara konsep berbeda dengan analisis regresi.

2
Sembiring, S.K. Analisis Regresi. 1995. Bandung : Penerbit ITB

7
 Analisis korelasi adalah mengukur suatu tingkat atau kekuatan hubungan linear antara
dua variable.3
Koefisien korelasi adalah mengukur kekuatan hubungan linear. Sebagai
contoh, kita tertarik untuk menemukan korelasi antara merokok dengan penyakit
kanker, berdasarkan penjelasan statistik dan matematika, pada anak sekolah dan
mahasiswa (dan seterusnya). Dalam analisis regresi, kita tidak menggunakan
pengukuran tersebut. Analisis regresi mencoba untuk mengestimasi atau
memprediksikan nilai rata-rata suatu variabel yang sudah diketahui nilainya,
berdasarkan suatu variabel lain yang juga sudah diketahui nilainya. Misalnya, kita
ingin mengetahui apakah kita dapat memprediksikan nilai rata-rata ujian statistik
berdasarkan nilai hasil ujian matematika. Regresi dan korelasi mempunyai perbedaan
mendasar diantaranya :
a. Statistik yang menentukan hubungan atau asosiasi dua kuantitas dikenal
sebagai Korelasi. Sedangkan regresi menggambarkan bagaimana variabel
independen secara numerik terkait dengan variabel dependen.
b. Dalam korelasi, tidak ada perbedaan antara variabel dependen dan independen
yaitu korelasi antara x dan y mirip dengan y dan x. Sebaliknya, regresi y pada
x berbeda dari x pada y.
c. Korelasi menunjukkan kekuatan hubungan antar variabel. Berbeda dengan,
regresi mencerminkan dampak perubahan unit dalam variabel independen
pada variabel dependen.
d. Korelasi bertujuan untuk menemukan nilai numerik yang mengekspresikan
hubungan antar variabel. Tidak seperti regresi yang tujuannya adalah untuk
memprediksi nilai-nilai variabel acak berdasarkan nilai-nilai variabel tetap.
e. Dalam analisis regresi, kita tidak menggunakan pengukuran tersebut. Analisis
regresi mencoba untuk mengestimasi atau memprediksikan nilai rata-rata
suatu variabel yang sudah diketahui nilainya, berdasarkan suatu variabel
lainyang juga sudah diketahui nilainya. Misalnya, Kita ingin mengetahui
apakah kita dapat memprediksikan nilai rata-rata ujian statistik berdasarkan
nilai hasil ujian matematik.4

3
Robert Kurniawan Budi Yuniarto, Analisis Regresi dasar dan penerapanya dengan R (Jakarta: Kencana, 2016),
hlm. 63.
4
Muhammad Firdaus, Ekonometrika Suatu Pendekatan Aplikatif, ( Jakarta: PT Bumi Aksara, 2021), hlm 50-51.

8
 C. Persamaan Analisis Regresi Liniear Sederhana.
Analisis regresi merupakan metode analisis statistika untuk menggambarkan
model hubungan keterkaitan antara dua variabel atau lebih. Dalam model keterkaitan
tersebut variabel yang terlibat dikelompokkan menjadi variabel bebas (independent)
sebagai variabel penduga (predictor) yang biasa disimbolkan dengan huruf "X" dan
variabel terikat (dependent) sebagai variabel respon yang biasa dilambangkan dengan
huruf "Y". Hubungan antar variabel-variabel tersebut dapat dinyatakan dalam bentuk
fungsi linear maupun fungsi non linear. Model ini juga dapat digunakan dalam proses
optimisasi. Misalkan untuk mendapatkan nilai suhu yang mampu memaksimalkan
kualitas produk hasil olahan, biaya iklan yang tepat untuk mendapatkan volume
penjualan optimal dan sebagainya. Manfaat Analisis Regresi antara lain adalah dapat
digunakan untuk meramalkan nilai variabel respon dengan derajat keyakinan tertentu
jika nilai variabel bebas diketahui. Analisis Regresi Linear sederhana adalah salah
satu metode statistika yang digunakan untuk menjelaskan adanya hubungan antara
satu variabel bebas.5
(independent) dengan satu variabel respon (dependent), dimana hubungan
yang terjadi antara variabel bebas dengan variabel respon dianggap bersifat "linear".
Model yang bersifat linear dalam parameter dan linear dalam variabel bebas ini
memiliki kurva pendekatan berupa garis lurus. Pengamatan Y pada setiap nilai x
merupakan variabel acak dengan nilai harapan untuk Y pada setiap nilai x dapat
dinyatakan sebagai berikut: E ( Y |x )= β 0 + β 1 x
Dimana intersep dan kemiringan garis tersebut dinyatakan sebagai koefisien
regresi yang tidak diketahui. Meskipun Y dinyatakan sebagai fungsi linear dalam x,
tidak setiap pasangan nilai pengamatan Y dengan x tertentu akan jatuh tepat pada
garis lurus. Generalisasi dari teknik ini adalah model linear probabilistik yang
mengasumsikan bahwa nilai harapan Y adalah fungsi linear dalam x, namun untuk
nilai x tertentu nilai Y hasil pengamatan merupakan fungsi dari nilai tengah dengan
ditambahkan galat acak, yaitu:

Ү = (nilai rata-rata y untuk suatu nilai x tertentu) + (galat acak)

Ү = β 0 + β 1 x +ε

5
Jonathan Warsono, “Mengenal Apa Itu Regresi”, http://www.jonathansarwono.info/regresi/regresi.htm,
diakses 24 November 2021 pukul 12.00

9
 empiris, yaitu model yang teridentifikasi melalui diagram pencar. Galat acak □
diasumsikan tersebar normal dengan nilai tengah nol dan ragam σ 2 yang tak diketahui.
Setiap nilai Y adalah independen (bebas) terhadap setiap nilai Y yang lainnya,
sehingga galat acak dari pengamatan yang berbeda merupakan variabel acak yang
tidak saling berkorelasi.

Data hasil pengamatan sebanyak n pasangan dinyatakan dengan [(x1, yı), (x2,
y2), (X3, y3), ..., (Xn. Yn)), kemudian digambarkan sebagai titik-titik pada bidang
kartesius yang disebut dengan diagram pencar seperti pada Gambar. Garis lurus
menyatakan garis regresi dugaan. Estimasi dari nilai □₀ dan □₁ dinyatakan sebagai
intersep dan kemiringan garis tersebut yang dianggap sebagai pengepasan terbaik
terhadap data. Ilmuwan Jerman Karl Frederich Gauss (1777 - 1855) menemukan salah
satu teknik untuk mendapatkan nilai estimasi dari parameter □₀ dan □₁ dengan cara
meninimalkan kuadrat nilai simpangan vertikal titik pengamatan terhadap garis
regresi dugaan. Metode ini yang disebut dengan Metode Kuadrat Terkecil.6

D. maka Langkah-langkah Analisis dan Uji Regresi Linier Sederhana

Regresi Linear Sederhana adalah Metode Statistik yang berfungsi untuk
menguji sejauh mana hubungan sebab akibat antara Variabel Faktor Penyebab (X)
terhadap Variabel Akibat. Faktor Penyebab pada umumnya dilambangkan dengan X
atau disebut juga dengan Prediktor sedangkan Variabel Akibat dilambangkan dengan
Y atau disebut juga dengan Respon. Regresi Linear Sederhana atau sering disingkat
dengan SLR (Simple Linear Regression) juga merupakan salah satu Metode Statistik

Dewi Sri Susanti, Yuana Sukmawaty, Nur Salam, Analisis Regresi dan Kolerasi, (Purwokerto: CV.
6

IRDH, 2019), hlm. 8-10.

10
 yang digunakan dalam produksi untuk melakukan peramalan ataupun prediksi tentang
kualitas maupun Kuantitas.7

Model Persamaan Regresi Linear Sederhana adalah seperti berikut ini :

Y = a + bX

Dimana :

Y = Variabel Respon atau Variabel Akibat (Tergntung)

X = Variabel Prediktor atau Variabel Faktor Penyebab (Independen)

a = konstanta
b = koefisien regresi (kemiringan); Respon besaran yang ditimbulkan oleh Predictor.

Nilai-nilai a dan b dapat dihitung dengan menggunakan Rumus dibawah ini :

a =    (Σy) (Σx²) – (Σx) (Σxy)

. n(Σx²) – (Σ x)²

b =    n(Σxy) – (Σx) (Σy)

. n(Σx²) – (Σx)²

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

7
Ilham Kurniawan, Analisis regresi linier sederhana,
http://blog.unnes.ac.id/aiomcik/2015/10/12/analisis-regresi-linear-sederhana/. Diakses pada Rabu, 24
November 2021, 15.21 WIB.

11
 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 :

1. Tujuan : apakah konsumsi jumlah kalori/hari mempengaruhi berat

badan mahasiswa.
2. 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
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

8
I Made Yuliara, Regresi linear sederhana, (fakultas Matematika Dan Ilmu Pengetahuan Alam :
Universitas Udayana, 2016). Hlm. 3-7

12
 1 530 280900 89 7921 47170
2 300 90000 48 2304 14400
3 358 128164 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 :

Konstanta a ditentukan ditentukan menggunakan rumus :

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

𝑎 = 𝑌̅ − 𝑏𝑋̅ = 64,3 − 0,149(414,1) ≅ 2,608

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

𝑋 Penggambaran data dan garis regresi yang dihasilkan disajikan pada Gambar 2.

13
 X 100 Y XY
300
90 42 12600
300 48 Y14400
= 0.149 X + 2.608
80
302 54 16308
70 r² = 0.90
358 56 20048
60
387 60 23220
Y 50
415 63 26145
40
510 72 36720
30
512 74 37888
527
20 85 44795
530
10 89 47170
0 4141 643 279294
250 300 350 400 450 500 550
X

Gambar 1. Garis regresi hubungan X dengan Y

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 :

Dalam hal contoh kasus di atas, maka koefisien korelasinya adalah :

14
 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 (r2)

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.

15
 BAB III

PENUTUP

A. Kesimpulan
Regresi linear sederhana adalah regresi yang memiliki satu variabel
independen (X) dan satu variabel dependen (Y). Analisis Regresi Sederhana ini
bertujuan untuk menguji pengaruh antara variabel X terhadap variabel Y. Variabel
yang dipengaruhi disebut variabel dependen, sedangkan variabel yangmempengaruhi
disebut variabel independen. Analisis ini untuk mengetahui arahhubungan antara
variabel independen dengan variabel dependen apakah positif atau negatif dan untuk
memprediksi nilai dari variabel dependen apabila nilai variabel independen
mengalami kenaikan atau penurunan.
Kegunaan regresi dalam penelitian salah satunya adalah memprediksi
nilaivariabel terikat (biasanya dinotasikan dengan huruf Y) apabila variabel
bebas(biasanya dinotasikan dengan huruf X) telah diketahui
B. Saran
Semoga dengan adanya makalah ini dapat bermanfaat umumnya bagi para
pembaca dan khususnya bagi penulis. Jika ada kesalahan dalam penulisan mohon
dimaafkan. Penulis mengharapkan kritik dan saran yang bersifat membangun dari
para pembaca demi kelancaran dan kemajuan ilmu pengetahuan.

16
 DAFTAR PUSTAKA

Abdurrahman, dkk. Analisis Korelasi, Regresi, dan Jalur dalam Penelitian. 2007. Bandung :
CV Pustaka Setia

Dewi Sri Susanti, Yuana Sukmawaty, Nur Salam, Analisis Regresi dan Kolerasi,
(Purwokerto: CV. IRDH, 2019),

Ilham Kurniawan, Analisis regresi linier sederhana

http://blog.unnes.ac.id/aiomcik/2015/10/12/analisis-regresi-linear-sederhana/.

http://www.jonathansarwono.info/regresi/regresi.htm.

I Made Yuliara, Regresi linear sederhana, (fakultas Matematika Dan Ilmu Pengetahuan Alam
: Universitas Udayana, 2016).

Muhammad Firdaus, Ekonometrika Suatu Pendekatan Aplikatif, ( Jakarta: PT Bumi Aksara,

2021), h Jonathan Warsono, “Mengenal Apa Itu Regresi”,

Robert Kurniawan Budi Yuniarto, Analisis Regresi dasar dan penerapanya dengan R (Jakarta:
Kencana, 2016)

Sembiring, S.K. Analisis Regresi. 1995. Bandung : Penerbit ITB

17