Nama : Achmad Faisal

NIM : 1701618105
Prodi : Pendidikan Akuntansi 2018
Matkul : Statistika Ekonomi 2
Buatlah resume dari video Analisis Regresi.

VIDEO 1: UJI REGRESI LINEAR SEDERHANA DENGAN SPSS

1. Prinsip Dasar Uji Regresi Linear Sederhana
- Tujuan Uji Regresi Linear Sederhana
Analisis regresi linier sederhana digunakan untuk menguji pengaruh satu
variabel bebas terhadap variabel terikat.
- Syarat Uji Regresi Linear Sederhana
 Valid dan Reliabel (khusus data primer)
 Uji asumsi dasar (uji norrmalitas dan uji linearitas)
- Dasar Pengambilan Keputusan Uji Regresi Linear Sederhana
Pengambilan keputusan dalam uji linear sederhana dapat mengacu pada dua hal,
yaitu:
a. Membandingkan nilai signifikansi dengan nilai probabilitas 0.05
 Jika nilai signifikansi < 0.05 artinya variabel X berpengaruh terhadap
variabel Y.
 Jika nilai signifikansi > 0.05 artinya variabel X tidak berpengaruh
terhadap variabel Y.
b. Membandingkan nilai thitung dengan ttabel
 Jika nilai thitung > ttabel artinya X berpengaruh terhadap variabel Y.
 Jika nilai thitung < ttabel artinya X tidak berpengaruh terhadap variabel Y.

2. Praktik Penggunaan SPSS

1. Menyiapkan data penelitian pada Ms. Excel
Contoh menggunakan variabel trust (X) dan variabel partisipasi (Y), dengan judul
penelitian “Pengaruh Trust Kepada Calon terhadap Partisipasi dalam Pemilihan
Kepala Desa”. Jumlah sampel adalah 53.
2. Buka aplikasi SPSS, lalu mendefinisikan data, caranya klik variabel view, pada
baris pertama bagian name ditulis X dan label ditulis Trust serta pada baris
kedua name ditulis Y dan label ditulis partisipasi.

3. Kemudian klik variabel data

lalu copy data penelitian Ms.
Excel ke dalam SPSS, caranya
copy data excel ke dalam SPSS.
4. Langkah selanjutnya, Klik Analyze, lalu Regression, dan pilih Linear

5. Lalu akan muncul kotak dialog, seperti gambar di bawah ini.

6. Selanjutnya, pindahkan variabel “Trust (X)” ke kolom independent dan variabel
“Partisipasi (Y)” ke kolom dependent, lalu Klik OK.

7. Berikut hasil output dari SPSS.

8. Selanjutnya, menginterpretasi output yang tersedia.

 Variable Entered/Removed

Tabel di atas menjelaskan tentang variabel yang dimasukan serta metode yang
digunakan. Dalam hal ini variabel yang dimasukan adalah variabel trust sebagai
variabel independent dan partisipasi sebagai variabel dependent dan metode
yang digunakan adalah metode enter.
 Model Summary

Tabel di
atas menjelaskan besarnya nilai korelasi atau hubungan (R), yaitu sebesar
0.463. Dari output tersebut diperoleh koefisien determinan (R Square)
sebesar 0.215, yang mengandung pengertian bahwa variabel bebas (Trust)
terhadap terikat (Partisipasi) adalah sebesar 21.05%.
 ANOVA

Output bagian Ketiga (ANOVA): dari output tersebut diketahui bahwa nilai f
hitung = 13.951 dengan tingkat signifikansi sebesar 0.000 < 0.05 maka
model regresi dapat dipakai untuk memprediksi variabel partisipasi atau
dengan kata lain ada pengaruh variabel Trust (X) terhadap variabel
Partisipasi (Y).
 Coefficients
 Output Bagian Keempat (Coefficients): Diketahui nilai Constant (a) sebesar
9.481, sedang nilai Trust (b / koefisien regresi) sebesar 0.438, sehingga
persamaan regresinya dapat ditulis:
Y=a+bX
Y=9.481 + 0.438X

Persamaan tersebut dapat diterjemahkan:

 Konstanta sebesar 9.481, mengandung arti bahwa nilai konsisten variabel
Partisipasi adalah sebesar 9.481
 Koefisien regresi X sebesar 0.438 menyatakan bahwa setiap penambahan 1%
nilai Trust, maka nilai Partisipasi bertambah sebesar 0.438. Koefisien regresi
tersebut bernilai positif, sehingga dapat dikatakan bahwa arah pengaruh variabel
X terhadap Y adalah positif

Pengambilan Keputusan dalam Uji Regresi Sederhana

 Berdasarkan nilai signifikansi: dari tabel Coefficients diperoleh nilai signifikansi
sebesar 0.000 < 0.05, sehingga dapat disimpulkan bahwa variabel Trust (X)
berpengaruh terhadap variabel Partisipasi (Y)
 Berdasarkan nilai t: diketahui nilai t hitung sebesar 3.735 > t table 2.008,
sehingga dapat disimpulkan bahwa variabel Trust (X) berpengaruh terhadap
variabel Partisipasi (Y).
Catatan: cara mencari t tabel
T tab3l = (a/2 : n-k-1)
= (0.05/2 : 53-1-1)
= (0.025 : 51) (dilihat pada distribusi nilai t table)
= 2.008
 T tabel

Kurva untuk mendeteksi pengaruh antara variabel X dan Y. Jika letaknya > T table
maka positif. Pengaruh positif yaitu semakin positif variabel X maka akan
meningkatkan variabel Y.
VIDEO 2: ANALISIS REGRESI (BAGIAN 1)
A. PENDAHULUAN
Pada tahun 2006 di New York, penjualan es krim yang meningkat juga diikuti
dengan peningkatan data jumlah orang yang tenggelam. Sedangkan pada tahun 2009 di
New York, peningkatan penjualan es krim diikuti dengan tingkat pembunuhan.
Berdasarkan data penjualan es krim dan tingkat kematian di New York, apakah ada
hubungan linier antar peubah? Jika ya, apakah positif atau negative?
Misalkan kita menghitung koefisien korelasi linier dan kita mendapatkan r =
0,85. Apa artinya dari koefisien korelasi ini? Jadi apakah penjualan es krim perlu
dihentikan untuk menurunkan tingkat kematian ini? Jawabannya adalah pada musim
panas di mana matahari bersinar terik, kebanyakan orang pergi keluar untuk membeli es
krim, pergi ke pantai untuk berenang, dan mereka juga cenderung untuk berjalan-jalan
keluar rumah. Ternyata efek dari musim panas ini yaitu, penjualan es krim meningkat
dan orang-orang banyak yang beraktivitas di pantai untuk berenang dan lainnya.
Peningkatan aktivitas di pantai inilah yang meningkatkan peluang seseorang untuk
tenggelam, hal inilah yang mengakibatkan peningkatan jumlah orang yang tenggelam
pada saat itu. Selain itu, pada saat lebih banyak orang yang keluar rumah maka akan
meningkatkan peluang terjadinya kekerasan di luar rumah. Jadi dapat disimpulkan,
diantara beberapa peubah-peubah itu saling berkorelasi namun dalam hal ini antara
peubah tadi tidak ada hubungan yang sifatnya sebab akibat. Ini berarti korelasi ≠
kausalitas.
Dalam kebanyakan kasus, korelasi hanyalah suatu kebetulan. Kausalitas berarti
peubah X menyebabkan Y terjadi. Setelah mengetahui nilai korelasi, jangan terlalu
cepat menarik kesimpulan. Korelasi hanyalah langkah pertama. Setelah menemukan
korelasi, pertimbangkan faktor-faktor yang ada yang dapat menyebabkan hasil akhir.
Kemudian setelah menemukan faktor-faktor, barulah kita dapat menarik kesimpulan dan
melihat apakah itu benar. Seperti pada kasus es krim di atas, ternyata yang faktor yang
mempengaruhi keseluruhannya adalah musim panas atau pada saat matahari bersinar
terik.
Lalu bagaimana cara kita mengetahui hubungan sebab akibat antara satu peubah
dengan peubah lainnya? Kita harus mengetahui dan paham dengan kasus dan bidang
ilmunya sehingga kita bisa mengaitkan antara peubah satu dengan yang lain mana yang
menjadi penyebab dan akibat. Dalam statistic kita dapat melakukan analisis untuk
melihat hubungan yang sifatnya kausalitas atau hubungan sebab akibat. Analisis yang
akan dilakukan adalah analisis regresi.

B. ANALISIS REGRESI
Analisis regresi digunakan untuk memprediksi nilai peubah dependen
berdasarkan nilai setidaknya satu peubah independent. Selain itu, analisis regresi juga
digunakan untuk menjelaskan dampak peubah independent terhadap peubah dependen.
Yang dimaksud dengan peubah independent (peubah bebas/independent variable)
adalah peubah yang digunakan untuk menjelaskan peubah tak bebas (juga disebut
sebagai peubah eksogen). Sedangkan peubah tak bebas (dependent variable) merupakan
peubah yang ingin dijelaskan (juga disebut sebagai peubah endogen).

C. MODEL REGRESI LINIER

Hubungan antara X dan Y dijelaskan oleh fungsi linier. Perubahan di Y
diasumsikan disebabkan oleh perubahan di X. Model persamaan regresi linier di
populasi:

Y i=β 0 + β 1 X i+ ε i

β 0 dan β 1 adalah koefisien model populasi dan ε adalah komponen galat acak
(random error term). Untuk model regresi populasi Y i adalah peubah tak bebas
(dependent variable), β 0 adalah intersep populasi, β 1 adalah koefisien slope populasi, X i
adalah peubah bebas (independent variable), dan ε i adalah komponen galat acaknya.
(β 0 + β 1 X i) disebut sebagai komponen linier dan ε i adalah komponen galat acak.
D. PERSAMAAN REGRESI LINEAR SEDERHANA
Untuk model Persamaan Regresi Linear Sederhana ini sendiri, digunakan untuk
menduga garis regresi populasi. Rumusnya adalah:
Y^ i=b0 +b1 x i

Keterangan : Y^ i = Dugaan (atau prediksi) nilai y pada observasi ke-i.

b 0 = Dugaan Intersep.
b 1 = Dugaan Slope.

x i = Nilai X pada observasi ke-i.

Untuk komponen galat acak individunya, e i memiliki rataan nol, dengan

persamaan sebagai berikut :
e i=( y i −^y i )= y i−(b 0+ b1 x i )

E. PENDUGAAN KUADRAT TERKECIL (LEAST SQUARES ESTIMATORS)

Untuk b 0 dan b 1 sendiri, dihasilkan dengan mencari nilai b 0 dan b 1 yang
meminimalkan jumlah kuadrat dari selisih antara y dan ^y . Rumusnya adalah dengan:
= min ∑ ei
2
min SSE
= min ∑ ¿¿
= min ∑ ¿¿
Dengan menggunakan teknik kalkulus, maka bisa didapatkan nilai b 0 dan b 1
sedemikian hingga meminimimumkan SSE, atau Sum Square Error (Jumlah
Kuadrat Galat). Koefisien
Korelasi
Untuk Penduga Koefisien Slope sendiri, adalah: Pearson
 Sedangkan, untuk Konstanta atau Intersepnya sendiri adalah:

Perlu diingat, bahwa garis regresi selalu melewati rataan x dan y.

F. MENENTUKAN PERSAMAAN KUADRAT TERKECIL

Untuk perhitungannya sendiri, biasa digunakan oleh komputer, bukan lagi secara
manual atau dengan kalkulator tangan. Hal ini karena sudah ada Ms. Excel dan juga
software-software statistik yang mendukung perhitungan persamaan kuadrat terkecil ini.

G. ASUMSI MODEL REGRESI LINEAR

Asumsi yang diperlukan untuk model regresi linear ini sendiri antara lain:
 Bentuk hubungan sebenarnya adalah linier Y adalah fungsi linier dari X,
ditambah galat acak (random error).
 Komponen galat, ε i, bebas terhadap nilai X.

 Komponen galat merupakan peubah acak dengan rataan 0 dan ragam konstan σ 2
(ragam yang konstan disebut homoskedastisitas). Pernyataannya sendiri adalah :

 Komponen galat acak (random error terms) atau disebut ε i, tidak saling
berkorelasi, sehingga pernyataannya adalah:

H. INTERPRETASI SLOPE (b 1 ¿ DAN INTERSEP (b¿ ¿ 0)¿.

(b¿ ¿ 0)¿ sendiri adalah dugaan rata-rata nilai y jika nilai x adalah nol, namun hal
ini sendiri memiliki syarat bahwa X harus sama dengan 0, maka berada dalam
kisaran X yang diamati. Untuk (b¿ ¿1)¿, adalah dugaan perubahan rata-rata nilai y
sebagai akibat dari perubahan 1 unit pada x.
VIDEO 3: ANALYSIS OF SIMPLE LINEAR REGRESSION
1. PENGERTIAN
Menurut buku Analisis Regresi dari Robert Kurniawan dan Budi Yuniarto,
Regresi Linier Sederhana adalah suatu metode statistika untuk menguji hubungan
antarvariabel. Dimana variabel Y sebagai variabel respons (variabel tak bebas) dan
variabel X sebagai prediktor (variabel bebas). Analisis regresi dapat membantu
dalam pembuatan keputusan apakah naik turunnya suatu variabel dapat dilakukan
dengan peningkatan atau penurunan variabel lain.

X = Variabel bebas
Y = Variabel Tak Bebas

Persamaan Regresi Linear Sederhana dinyatakan pada:

Ŷ = β0 + β1 X
β0 = Intercept
β1 X = Slope

Berikut adalah rumus perhitungan untuk β0 dan β1

2. GRAFIK REGRESI LINIER SEDERHANA
β0 dan β1 merupakan parameter estimasi yang digunakan dalam persamaan
untuk memprediksi Y dari X.

Keterangan:
β0 adalah suatu titik perpotongan antara suatu garis dan sumbu Y pada sumbu
kartesius saat nilai X = 0.
β1 adalah kemiringan dari garis regresi yang menjelaskan kenaikan atau penurunan
Y untuk setiap perubahan satu satuan X (Slope)

3. ASUMSI UNTUK ANALISIS REGRESI LINIER SEDERHANA

a) Model regresi harus linier dalam parameter.
b) Variabel bebas tidak berkorelasi dengan error.
c) Nilai Error Nol Ε {έi} = 0
d) Varian untuk masing-masing error term (kesalahan) konstan.
e) Tidak terjadi auto korelasi
f) Model regresi dispesifikasi secara benar.

4. TAHAP MENGERJAKAN ANALISIS REGRESI LINIER SEDERHANA

a. Menentukan tujuan penelitian (Mengapa kita menggunakan analisis regresi linier
sederhana).
b. Mengidentifikasi varibael respons dan variabel prediktor (menentukan variabel
X dan Y).
c. Menghitung X2, Y2, XY, dan total dari masing-masingnya sebagai awal untuk
perhitungan β0 dan β1.
 d. Hitung β0 dan β1.
e. Membuat model persamaan regresi.
f. Melakukan prediksi atau interpretasi dari persamaan regresi linier sederhana.

5. PENERAPAN SOAL
Ilustrasi:
Besaran otot manusia diperkirakan akan menurun seiring bertambahnya usia. Untuk
mengeksplorasi hubungan ini pada wanita, seorang ahli gizi memilih secara acak
empat wanita berumur puluhan tahun yang dimulai pada usia 40 dan berakhir
dengan 79 tahun. Mengasumsikan bahwa model regresi sederhana sesuai.

DATA:
j 1 2 3 4 5 6 7 8
X 71 64 43 67 56 73 68 56
Y 82 91 100 68 87 73 78 80

J 9 10 11 12 13 14 15 16
X 76 65 45 58 45 53 49 78
Y 65 84 116 76 97 100 105 77

Dimana: X: Usia
Y: Massa Otot

Penyelesaian:
n

∑ ¿1 XI = 967
i

∑ ¿1 YI =1379
i

∑ ¿1 XI2 = 60409
i

∑ ¿1 XI Yi= 81331
i
 Kemudian hitung β0 dan β1:

β0 = (1379)(60409) – (967)(81331)
16(60409) - (967)2
= 148.0506

Β1 = (16)(81331) – (967)(1379)
16(60409) - (967)2
= -1.0236

Maka setelah data dihitung didapatkan persamaan:

Ŷ = β0 + β1 X = 148.0506 – 1.-0236 X

Kesimpulan:
Dari persamaan regresi linier sederhana tersebut, dapat diinterpretasikan bahwa
setiap bertambahnya usia satu tahun, dimulai dari usia 40 tahun, massa otot akan
berkurang sebanyak 1.0236 kg per tahunnya.

VIDEO 4: UJI REGRESI LINEAR SEDERHANA

A. Prinsip Dasar
- Tujuan: analisis regresi linear sederhana digunakan untuk menguji pengaruh
satu variabel bebas terhadap variabel terikat.
- Syarat Uji Regresi Linear Sederhana
 Valid dan Reliabel
 Normal dan Linear
- Dasar Pengambilan Keputusan
 Pengambilan keputusan dalam uji regresi linear sederhana dapat mengacu pada
dua hal, yakni Membandingkan nilai signifikansi dengan nilai probabilitas 0.05
• Jika nilai signifikansi < 0,05, artinya variabel X berpengaruh terhadap
variabel Y.
• Jika nilai signifikansi > 0.05. artinya variabel X tidak berpengaruh terhadap
variabel Y.

B. Contoh Praktik Pengerjaan

1. Menyiapkan data ada Ms. Excel lalu copy dan pindahkan ke SPSS

2. Setelah di copy, kemudian tempel pada SPSS pada data view.

3. Lalu ke variabel view, ubah:
• Nama kalian rubah baris pertama X baris kedua Y
• Decimals : 0
• Label : Variabel x beri nama (Religiusitas)
Variabel y beri nama (Agresivitas)

4. Kemudian ke menu Data View > Analzye >Regression > Linear

5. Klik Religiusitas (X) pindah ke independent (variabel bebas), kemudian
Agresivitas (Y) kalian klik ke Dependent (variabel terikat), lalu klik OK

6. Lalu keluar hasil outputnya dan cari ANOVA table

Kesimpulan:
Dari output tersebut diketahui bahwa nilai F hitung = 14.849 dengan tingkat signifikansi
sebesar 0,000 < 0,05, maka model regresi dapat dipakai untuk memprediksi variabel
Religiusitas atau dengan kata lain ada pengaruh variabel Religiusitas (X) terhadap
variabel Agresivitas (Y).
Kesimpulan:
Tabel di atas menjelaskan besarnya nilai korelasi / hubungan (R) yaitu sebesar 0,451.
Dari output tersebut diperoleh koefisien determinasi (R Square) sebesar 0.204, yang
mengandung pengertian bahwa pengaruh variabel bebas (Religiusitas) terhadap variabel
terikat (Agresivitas) adalah sebesar 20,4%.
Dengan begini kita bisa tahu bahwa pengaruh variabel X terhadap variabel Y itu sebesar
20,4% Jadi kita tidak hanya tahu sebatas hubungan saja tetapi ada nilai pengaruh di situ
yang bisa kita dapatkan.
VIDEO 5: ANALISIS REGRESI SEDERHANA PAKAI EXCEL
1. Siapkan data di Microsoft Excel, sebagai contoh disini Variabel Dependent (Y)
adalah Penjualan Sepeda Motor, dan Variabel Independent (X) adalah Harga Sepeda
Motor.

2. Klik tab Data, lalu klik Data Analysis, dan pilih Regression, klik Ok.

3. Masukan data Y ke dalam Input Y Range, masukan juga data X ke dalam

Input X Range, check list Labels, kemudian pilih Output Range dan pilih
kolom atau baris yang kita inginkan untuk menunjukkan hasilnya, lalu klik Ok.
4. Selanjutnya akan muncul output seperti ini:

 Di bagian Regression Statistic, menunjukkan bahwa R Square nya 0.980403

yang berarti 98% variasi variabel Y dapat dijelaskan oleh variabel X.
 Di bagian ANOVA, dilihat dari Significance F atau Uji Signifikan F nya.
 Untuk menunjukkan bahwa apakah variabel Y berpengaruh signifikan
terhadap variabel X, dapat dilihat dari nilai probabilitasnya atau P-Value
dimana menunjukkan angka 0.00 yang berarti lebih kecil dari 1%
 Di bagian Coefficient, X menunjukkan angka -225 yang artinya apabila
terjadi kenaikan 1 unit X, maka Y secara rata-rata akan berkurang sebanyak -
225 unit.

--- SELESAI ---