ANALISIS REGRESI LINIER SEDERHANA

13.1. Pendahuluan
Analisis regresi pada dasarnya merupakan studi mengenai ketergantungan variabel
dependent ( terikat ) dengan variabel independent (bebas ) dan hasil analisis regresi adalah
berupa koefisien masing-masing variabel independent. Dalam analisis regresi selain mengukur
kekuatan hubungan antara dua atau lebih variabel, juga menunjukkan arah hubungan antara
variabel dependent dengan variabel independent.
Teknik estimasi variabel independent terhadap dependent yang melandasi analisis regresi
disebut Ordinary Least square (pangkat kwadrat terkecil biasa ). Inti dari metode Ordinary Last
Square (OLS) adalah mengestimasi suatu garis regresi dengan jalan meminimalkan jumlah dari
kwadrat kesalahan setiap observasi terhadap garis tersebut. Regresi dengan metode estimasi
Ordnary Least Squares (OLS) akan memberikan hasil yang Best Linier Unbiased Estimator (
BLUE ), jika memenuhi syarat asumsi klasik.

Ordinary Least Square (OLS)

Menurut Gujarati (2003) terapat asumsi utama yang mendasari model regresi linier
klasik dengan menggunakan model OLS. Adapun asumsi-asumsinya sebagai berikut:
1. Model regresi linier, artinya linier dalam parameter seperti dalam persamaan berikut : Y i =
b1 + b2 Xi + ui
2. X diasumsikan non stokastik , artinya nilai x dianggap tetap dalam sampel yang berulang
3. Nilai rata-rata kesalahan adalah nol atau E(ui/Xi) = 0
4. Homoskedastisitas, artinya variance kesalahan sama untuk setiap periode ( homo = sama,
skedastisitas = sebaran), dan dinyatakan dalam bentuk matematis Var (ui/xi) = σ²
5. Antar ui dan uj saling bebas, sehingga Cov (ui/xi) = 0
6. Tidak ada autokorelasi antar kesalahan ( antara ui dan uj tidak ada korelasi ) atau secara
matemetis Cov (ui,uj/XiXj) = 0
7. Tidak ada multikolonieritas yang sempurna antar variabel bebas
8. Jumlah observasi ( n ), harus lebih besar dari pada jumlah parameter yang diestimasi
(jumlah variabel bebas )
9. Model regresi telah dispesifikasi secara benar, atau dengan kata lain tidak ada bias
(kesalahan) spesifikasi dalam model yang digunakan.
10. Adanya variabilitas dalam x, artinya nilai X harus berbeda.

Uji Hipotesis
a. Uji signifikansi individual ( t test )
Digunakan untuk menguji seberapa jauh signifikansi pengaruh variabel
penjelas/independent secara individual (parsial) dalam menerangkan variasi variabel
dependent.

Ho: bi = o artinya variabel independent bukan merupakan penjelas yang signifikan

terhadap variabel dependent. Atau variabel indevendent tidak
berpengaruh signifikan terhadap variabel devendent.
Ha: bi ≠ o artinya variabel independent merupakan penjelas yang signifikan terhadap
variabel dependent. Atau variabel indevendent berpengaruh
signifikan terhadap variabel devendent.
 Bila hasil signifikansi t untuk masing-masing variabel bebas < 0,05 maka semua
variabel bebas merupakan penjelas ( pengaruh ) yang signifikan terhadap variabel
terikat dan sebaliknya.

b. Uji signifikansi simultan ( F test )= uji model regresi

Kegunaannya untuk menguji apakah semua variabel bebas yang dimasukkan dalam
model mempunyai pengaruh yang signifikan secara bersama-sama (simultan) terhadap
variabel terikat/dependent.
Ho : b1 = b2 =….= bk = 0 : artinya semua variabel independent secara simultan bukan
merupakan penjelas yang signifikan terhadap variabel
dependent. Atau variabel bebas secara bersama-sama
tidak berpengaruh signifikan terhadap veriabel terikat
Ha : b1 ≠ b2 ≠ ….≠ bk ≠ 0 : artinya semua variabel indevenden secara simultan
merupakan penjelas yang signifikan terhadap variabel
dependent.atau variabel bebas secara bersama-sama
berpengaruh signifikan terhadap variabel terikat.
Bila signifikansi F < 0,05 maka dapat dikatakan semua variabel bebas (independent)
secara bersama-sama merupakan penjelas yang signifikan terhadap variabel terikat
(dependent) = model regresi baik dan sebaliknya.

Koefisien Determinansi (Adjusted R Square)

Digunakan untuk mengukur seberapa jauh kemampuan model dalam menerangkan
variasi variabel dependent, dan nilainya antara 0 dan 1
Nilai koefisien determinansi (R²) kecil, berarti kemampuan variabel-variabel
independent dalam menjelaskan variabel dependent kecil (terbatas) dan sebaliknya bila
mendekati 1 berarti variabel independent memberikan hampir semua informasi yang
dibutuhkan untuk memprediksi variasi variabel dependent. Banyak peneliti menganjurkan
untuk menggunakan Adjusted R², pada saat mengevaluasi mana model regresi yang baik.

13.2. Regresi Sederhana (Simple Regression )

Regresi sederhana memiliki satu independent variabel dan satu dependent variabel .
Persamaan regresi :
Y’ = a + bX
Dimana : a = konstanta/bilangan tetap
b = koefisien regresi/slope ( kecondongan arah garis)
X = independent variabel
Y = dependent variabel

Y= a + b1X

0 (x)
Contoh :
Manajer pemasaran ingin mengestimasi hasil penjualan pakaian bayi di daerah A. Data
historis jumlah kelahiran dan penjualan pakaian bayi yang diperoleh selama 12 bulan sbb :
BULAN PENJUALAN BAYI
PAKAIAN LAHIR XY X² Y²
BAYI (Y) (X)
1 30 40 1.200 1.600 900
2 20 30 600 900 400
3 45 35 1.575 1.225 2.025
4 35 40 1.400 1.600 1.225
5 30 42 1.260 1.764 900
6 60 41 2.460 1.681 3.600
7 40 50 2.000 2.500 1.600
8 50 52 2.600 2.704 2.500
9 45 44 1.980 1.936 2.025
....12
JUMLAH 525 524 23.500 23.460 24.925
X = dalam ribuan
Y = dalam ribuan

n∑XY – (∑X) (∑Y) 12(23.500) – (524)(525)

Dimana; b= =
n∑X ² - (∑X )² 12(23.460) – (524)²

282.000 – 275.100
= = 0,99
281.520 – 274.576

∑Y ∑X 525 525
a = - b = - 0,99
n n 12 12
= 43,75 – 43,23
= 0,52 atau 0,36 ( selisih pembulatan )
ATAU
̅)
a = Y – b (X
= 43,75 – 0,99 (43,66) = 0,52
 Coefficientsa

Standardi
zed
Unstandardiz ed Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Cons tant) .360 21.631 .017 .987
bayi lahir .994 .489 .540 2.031 .070
a. Dependent Variable: penjualan pakaian bayi

Persamaan Regrasi : Y′ = 0,36 + 0,99 X

Bila bulan berikutnya jumlah bayi lahir 60.000 orang, maka estimasi penjualan pakaian bayi
sbb:
Y’ = 0,36 + 0,99 ( 60.000 ) = Rp 59.400,36

UJI t (T test ) :
Menguji koefisien independent variabel (x) = ( 0,99)
Ho : β = o….. tidak ada pengaruh yang signifikan bayi lahir (x) terhadap penjualan pakaian
bayi (Y)
Ha : β ≠ o…… ada pengaruh yang signifikan bayi lahir (X) terhadap penjualan pakaian bayi
(Y)
Langkah :
Mencari :
a. Standar Error of Estimate (SYX)

∑(𝑌−𝑌 ′)2 ∑ 𝑌 2 −𝑎 ∑ 𝑌−𝑏 ∑ 𝑋𝑌

𝑆𝑌𝑋 =√ atau 𝑆𝑌𝑋 =√
𝑛−2 𝑛−2

24925−(0,52)(525)−0,99(23500)
𝑆𝑌𝑋 = √ 12−2

= 11,77
b. Standar Error of the regression coefficient (Sb)
𝑆𝑌𝑋
𝑆𝑏 = 2
√∑ 𝑋 2−(∑ 𝑋)
𝑛

11,77
𝑆𝑏 = 2
= 0,49
√23460−524
12

Taraf signifikansi (  ) = 5 %
Degree of freedom (df) = n-2 = 12 – 2 = 10
 b- 
T hitung =
Sb

Kriteria pengujian :
Ho diterima bila: - t tabel  t hitung  t tabel
Ho ditolak bila: t hitung < - t tabel atau t hitung > t tabel
ATAU
Ho diterima bila probabilitas (sig) > 0,05
Ho ditolak bila probabilitas (sig) < 0,05

Penolakan Ho penolakan Ho

Penerimaan Ho

-2,228 2,228

0,99 - 0
t hitung =
0,49
= 2,02

t hitung (2,02) < t tabel 2,228 ATAU probabilitas (sig) = 0,07 > 0,05
Ho diterima , sehingga bayi lahir tidak mempunyai pengaruh yang signifikan terhadap
penjualan pakaian bayi.

Jenis Data:
a. Data kualitatif ( misal komitmen, motivasi, gaya hidup dll)
b. Data kuantitatif (misal: gaji, hasil produksi, hasil panen padi, dll)

NB: CARA MENGALISIS DATA

KUANTITATIF DAN KUALITATIF
BERBEDA
Contoh: Regresi sederhana (data kuantitatif)

H1
Nilai
Harga saham
Perusahaan

Contoh: Regresi sederhana (data kualitatif)

H1
Motivasi Kepuasan
kerja kerja

CONTOH: Regresi Berganda

Comitment
affectif H1

Lingkungan Kinerja
kerja H2 karyawan

H3

Motivasi
kerja