MAKALAH

ANALISIS REGRESI SEDERHANA

Disusun untuk memenuhi tugas Mata Kuliah Statistika Penelitian Pendidikan Matematika

Disusun Oleh:

Tania Sekar P. (20104040043)

Rohimatul Janah (20104040064)

UIN SUNAN KALIJAGA YOGYAKARTA

FAKULTAS ILMU TARBIYAH DAN KEGURUAN

PROGRAM STUDI PENDIDIKAN MATEMATIKA

2022
 ANALISIS REGRESI SEDERHANA

A. Pengertian
Istilah regredi pertama kali gunakan oleh Sir. Francis Galton pada tahun 1886 di
mana yang bersangkutan melakukan kajian yang menunjukan bahwa tinggi badan anak
anak yang dilahirkan dari orangtua tinggi cenderung bergerak kea rah ketinggian rata rata
populasi secara keselutuhan. Galton memperkenalkan kata regresi sebagai nama proses
umum untuk mendeskripsikan satu variabel, yaitu tinggi badan anak dengan
menggunakan variabal lain yaitu tinggi badan orang tua.
Secara umum, regresi merupakan ketergantungan antara satu variabel (variabel
tak bebas) dengan satu atau lebih variabel bebas. Hasil dari analisis regresi ini nantinya
berbentuk persamaan matematika. Hasil analisis regresi ini bisa disebut juga sebagai
analisis prediksi. Karena merupakan sebuah prediksi, nilainya tidak selalu tepat tapi
semakin kecil penyimpangan nilainya akan semakin tepat. Analisis regresi dikelompokan
menjadi dua yaitu analisis regresi sederhana dan analisis regresi berganda.
Analisis regresi sederhana adalah sebuah metode untuk memodelkan hubungan
antara satu variabel bebas dan variabel terikat. Variabel bebas dapat disebut variabel
independen (X) serta vaiabel terikat disebut variabel dependen (Y). Analisis regresi
sederhana digunakan untuk mengetahui berapa besar perubahan dari variabel independen
akan dapat mempengaruhi variabel dependen

B. Penggunaan Analisis Regresi Sederhana

Penerapan analisis regresi sederhana dapat kita temukan di berbagai bidang
kehidupan baik, medis, pendidikan, ekomoni, dan lain hal. Contoh penggunaan Analisis
regresi sederhana yaitu :

1. Analisis Regresi antara pendapatan terhadap konsumsi rumah tangga.

2. Analisis Regresi antara harga terhadap penjualan barang.
3. Analisis Regresi antara tingkat upah terhadap tingkat pengangguran.
4. Analisis Regresi antara biaya periklanan terhadap volume penjualan perusahaan.
5. Analisis Regresi antara IQ terhadap IPK mahasiswa.
6. Analisis Regresi antara berat badan terhadap tekanan darah.
C. Syarat Pengujian Analisis Regresi Sederhana
Pengujian analisis regresi memiliki syarat syarat yang dipenuhi antara lain:
1. Jumlah sample yang digunakan antar variabel haruslah sama.
Yang dimaksud syarat diatas adalah sample antara variabel bebas dan terikat
harus berjumlah sama atau bisa dibilang bahwa setiap variabel bebas memiliki
pasangan (nilai) pada variabel terikat.
2. Jumlah dari variabel bebas (X) adalah 1
Variabel yang mempengaruhi atau yang menjadi sebab perubahan dari
variabel terikat jumlahnya harus satu.
3. Nilai residual harus berdistribusi normal
Analisis regresi sederhana yang baik akan memiliki nilai residual
berdistribusi normal. Nilai residual yang berdistribusi normal dapat kita lihat pada
persamaan analisis regresi sederhana dengan sebuah grafik lurus yang nilainya
menyebar mengikuti arah grafik lurus. Selain dengan grafik, kita bisa melihat data
berdistribusi normal dengan uji normalitas Kolmogrov Sminov jika nilai probabilitas
(signifikan) lebih besar dari 0,05.
4. Tidak terjadi gejala heteroskedastisitas
Model regresi sederhana yang baik adalah yang homoskedastisitas atau tidak
terjadi heteroskedastisitas. Apabila varian berbeda, disebut heteroskedastitas. Uji ini
dilakukan untuk mengetahui apakah pada suatu model regresi terjadi ketidaknyaman
varian dari residual pasa satu pengamatan terhadap pengamatan lainnya. Uji gejala
ini berhubungan dengan nilai residual. Apabila variasi residual dari suatu
pengamatan ke pengamatan lainnya tetap, maka hal tersebut dinamakan
homoskedastisitas. Sedangkan apabila variasi residual dari suatu pengamatan ke
pengamatan berbeda, maka hal tersebut dinamakan heteroskedastisitas.
5. Tidak terjadi gejala auto korelasi
Kekuatan hubungan antara variabel bisa dilihat pada table berikut ini

Nilai r Deskripsi hubungan

r=1 Hubungan linear positif sempurna
r = -1 Hubungan linear negative sempurna
 0,5 < r < 1 Hubungan linear positif yang kuat
-0,5 < r < -1 Hubungan linear negative yang kuat
0 < r < 0,5 Hubungan linear positif lemah
-0,5 < r < 0 Hubungan linear negative lemah
r=0 Tidak ada hubungan linear
Hubungan pada setiap penelitian haruslah pada hubungan linear positif yang kuat.
6. Terdapat hubungan yang linear antara varibel bebas (X) dan varibel terikat (Y)

D. Penggunaan Analisis Regresi secara Manual

Model regreski linear sedrhana merupakan persamaan yang menyatakan
hubungan antara satu variabel bebas (X) dan variabel terikat (Y) yang biasanya
digambarakan dalam satu garis lurus dengan persamaan:

Y^ =a+bx
Keterangan
Y^ = regresi
a = konstanta
b = koefisien regresi
x = variabel bebas
Koefisien koefisien regresi dapat dihitung dengan rumus

Untuk mencari tingkat signifikan secara manual, kita bisa gunakan

 Keterangan

SK = Sumber Keragaman
JK = Jumlah Kuadrat
Db = Derajat Bebas
KT = Kuadrat Tengah

Dasar Pengambilan Keputusan:

Dengan membandingkan r/t/Fhitung dengan r/t/Ftabel dengan ketentuan:
Ho diterima r/t/Fhitung < r/t/Ftabel
Ho ditolak r/t/Fhitung ≥ r/t/Ftabel
Dengan menggunakan angka probabilitas, dengan ketentuan:
Ho diterima Probabilitas > taraf nyata (α)
Ho ditolak Probabilitas ≤ taraf nyata (α)

E. Contoh soal Serta penggunaan Analisis Regresi secara Manual dan SPSS

Seorang mahasiswa ingin melakukan analisis regresi terhadap data hasil penelitiannya
yang berjudul “Hubungan Antara Motivasi dan Hasil Belajar KKPI di SMA X.” 

Pertanyaan penelitiannya seperti berikut:

Apakah hasil belajar KPPI (Y) dapat diprediksi dari motivasi (X)?
Apakah ada hubungan fungsional antara motivasi dan hail belajar KPPI?

Data Penelitian
Dari tabel data penelitian di atas carilah nilai nilai berikut dan didapati
∑ X =1105
∑ Y =1000
∑ XY =37056
2
∑ X =41029
∑ Y 2=33528

Dari hasil diatas dapat dibuat persamaan garis regresinya adalah Y = 8,3 + 0,68X
Sehingga didapati grafik
Hipotesis yang diuji adalah
H0 = Harga F regresi non signifikan atau tidak bermakna
H1 = Harga F regresi signifikan atau bermakna

H0 = Regresi Linear
H1 = Regresi non linear

Langkah Langkah :
1. Urutkan data X dari yang terkecil sampai terbesar diikuti oleh data Y

2. Menghitung jumlah kuadrat

 JK (total) = 33528
JK (reg a) = 3333,33
JK (reg b/a) = 151, 41
JK (res) = 43,26

3. Menghitung derajat kebebasan

dk (a) = 1
dk (b/a) = 1
dk sisa = n – 2 = 30 – 2 = 28
dk tuna cocok = k -2 = 12 – 2 = 10 , k adalah jumlah kelompok data X
dk galat = n – k = 30 – 12 = 28
4. Menghitunh rata rata Jumlah kuadrat

5. Masukkan perhitungan ke dalam tabel ANOVA untuk regresi linear

 F (sign) = RJK (reg b/a) / RJK (res) = 151,41 / 1,54 = 98,01
F (line) = RJK (TC) / RJK (E) = 0,56 / 2, 09 = 0,27

Didapati Tabel ringkasan uji regresi

6. Membuat kesimpulan
1. Apakah ada hubungan antara motivasi dan hasil belajar siswa?
a. Aturan pengambilan kesimpulan
Jika F hitung regresi > F tabel maka harga F hitung signifikan yang artinya
koefisien regresi adalah berarti atau bermakna.
b. Dalam perhitungan diperoleh
F hitung regresi 98,01 sedangkan Ftabel untuk dk 1:28 pada taraf
signifikan 5 % adalah 4,20. Ini berarti F hitung > F tabel sehingga H0 ditolak
dan H1 diterima, sehingga F regresi adalah sigifikan. Dengan demikan
terdapat hubungan yang signifikan antara variabel motivasi dan hasil belajar
siswa.
2. Apakah hubungan keduanya linear?
a. Aturan pengambilan keputusan
Jika Fhitung (tuna cocok) < F tabel, maka H0 diterima dan H1 diolak sehingga
regresi Y atas X adalag linear.
b. Dalam perhitungan diperoleh :
F hitung 0,27 sedangkan Ftabel untuk taraf signifikan 5% adalah 2,42. Ini berarti
Ftuna cocok < Ftabel uang sehingga H0 diterima dan H1 ditolak berarti
nonsignifikan. Dengan Demikian, hubungan antara variabel motivasi dan hasil
belajar KKPI adalah linear.
7. Menghitung kadar hubungan antara X dan Y (koefisien korelasi)
Kesimpulan dari penelitian adalah
Terdapat hubungan yang signifikan antara motivasi dan hasil belajar KKPI serta
motivasi dapat memprediksi prestasi belajar sebesar 77,8%. Sedangkan sisanya
sebesar 22,2% dijelaskan oleh variabel lain yang tidak diteliti.

Perhitungan menggunakan SPSS

1. Menyiapkan pengaturan data

Klik Variable View 
Isi kolom Name dengan singkatan dari setiap nama variabel penelitian 
Isi kolom Type dengan jenis data penelitian
Isi kolom Width sesuai dengan lebar atau panjang digit data 
Isi kolom Decimals sesuai dengan banyak desimal setiap data penelitian 
Isi kolom Label dengan nama lengkap setiap variabel penelitianIsi kolom Values
untuk interpretasi label data nominal dan ordinal, jika data penelitian interval dan
rasio tidak perlu diisi 
Isi kolom Missing jika terdapat data periodik yang hilang 
Isi kolom Columns sesuai dengan panjang tampilan data yang diinginkan pada
Data View Pilih Align sesuai keinginan 
Isi kolom Measure sesuai dengan jenis skala data 
Isi kolom Role sesuai dengan jenis variabel penelitian 
 Jika Analisis Regresi Linier Sederhana maka tampilan Variable View sebagai
berikut:

2. Entry data setiap variabel penelitian 

3. Klik Analyze pilih Regression pilih Linear, sebagaimana gambar di bawah ini: 
4. Destinasikan variabel dependen pada kolom yang ada di bawah Dependent,
demikian juga variabel independen ke kolom Independent(s), sebagaimana
gambar di bawah ini. 
Selanjutnya klik Statistics… Setelah keluar gambar seperti berikut ini aktifkan
juga Descriptive untuk mendeskripsikan data, Aktifkan DubinWatson pada
Residuals untuk mengetahui ada tidaknya autokorelasi. Selanjutnya klik Continue
untuk kembali pada tampilan sebelumnya. 

5. Lalu klik Plots…   Destinasikan ZPRED pada kolom X dan SRESID pada kolom
Y untuk mengetahui terpenuhi tidaknya Homoskedastisitas atau sering juga disebut
homogenitas. Selanjutnya aktifkan juga Histogram dan Normal Probability Plot
untuk mengetahui normalitas distribusi data, lalu klik Continue dan selanjutnya
klik Ok.
6. Berikut ini adalah Output analisis regresi linear di atas..

Dari tabel tersebut didapatkan bahwa rata-rata motivasi belajar adalah

36,83 dengan standart deviasi 3,364; sedangkan rata-rata hasil belajar KKPI
adalah 33,33 dengan standart deviasinya 2,591. Sampel yang diteliti sebanyak 30.

Korelasi motivasi belajar dengan hasil belajar KKPI adalah 0,881.

 R Square atau Koefisien Determinasi (KD) 0,776 maka dapat dikatakan
bahwa 77,8 % hasil belajar KKPI dipengaruhi oleh motivasi belajar.
Sedangkan sisanya sebesar 22,2% dijelaskan oleh variabel lain yang tidak diteliti.
Berdasarkan skor Durbin-Watson (D-W) sebesar 1,770 berarti tidak
terjadi korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan pada periode sebelumnya. Model regresi yang baik adalah regresi
yang bebas dari autokorelasi. Secara garis besar tolok ukur untuk menyimpulkan
adanya autokorelasi atau tidak adalah sebagai berikut: 
a. Angka D-W dibawah -2 berarti terjadi autokorelasi positif. 
b. Angka D-W diantara -2 sampai dengan +2 berarti tidak terjadi autokorelasi. 
c. Angka D-W di atas +2 berarti terjadi autokorelasi negative

Berdasarkan Fhitung sebesar 97,062 yang lebih tinggi dibandingkan

dengan dk 1:28 pada taraf signifikan 5 % adalah 4,20. atau dengan tingkat
signifikansi sebesar 0,000 yang jauh lebih rendah dari alpha sebesar 0,05, maka
Ho ditolak dan Ha diterima, oleh karena itu dapat disimpulkan bahwa model
regresi ini, yaitu motivasi belajar dapat digunakan untuk memprediksi hasil
belajar KKPI. Tidak hanya itu, hasil ini juga menunjukkan bahwa antara variabel
motivasi belajar dengan variabel hasil belajar KKPI ada hubungan linear.

Output di atas menyajikan koefisien regresi. Persamaan regresinya

adalah hasil belajar = 8,341 + 0,679 x motivasi belajar.  Apabila pada sebuah
sekolah motivasi belajarnya sebesar 30, maka dapat diramalkan hasil belajar
KKPI sebesar 28,70.
 Berdasarkan output histogram tersebut, terlihat bahwa sebaran data yang
ada menyebar merata ke hampir semua daerah kurva normal. Dengan demikian
dapat disimpulkan bahwa data yang kita miliki mempunyai distribusi normal.
Demikian juga dengan normal P-P Plot juga memperlihatkan hasil yang sama.

Output tersebut memperlihatkan bahwa tidak terjadi heteroskedastisitas

dikarenakan penyebaran nilai-nilai residual terhadap harga-harga prediksi tidak
membentuk suatu pola sehingga varians data bersifat homogen. 
F. Latihan Soal

Berikut terdapat 10 responden yang berasal dari mahasiswa. Tentukan bagaimana

pengaruh minat mahasiswa terhadap mata kuliah data mining!
 Referensi

Anwar, A. (2009). Statistika untuk Penelitian Pendidikan dan Aplikasnya dengan SPSS dan
Excel. Kediri: IAIT Press.
Mardanti, D. (2017, Juli). Analisis Regresi Linier Sederhana. Retrieved from slideshare:
https://www.slideshare.net/dWaay/analisa-regresi-linier-sederhana
Raharjo, S. (n.d.). Panduan Lengkap Uji Analisis Regresi Linear Sederhana dengan SPSS.
Retrieved from spssindonesia.com: http://www.spssindonesia.com/2017/03/uji-analisis-
regresi-linear-sederhana.html
Wufron. (n.d.). Analisis Regresi Linier dengan IBM SPSS Statistics. 1-10.
YQ. (n.d.). Retrieved from staffnew.uny.ac.id:
http://staffnew.uny.ac.id/upload/198401312014042002/pendidikan/ANALISIS
%20REGRESI-YQ.pdf