Analisis Regresi adalah analisis yang membahas bentuk atau pola hubungan antar satu
variabel dengan variabel yang lain. Dalam analisis regresi, hubungannya dipandang sebagai
hubungan asimetris ( X Y ), jadi peran dari variabelnya dibedakan menjadi variabel bebas dan
variabel terikat. Variabel bebas biasanya disimbolkan dengan variabel X dan variabel terikat
disimbolkan dengan variabel Y.
Keterangan :
Y = Variabel tak bebas
Yˆ (baca: Y topi) = taksiran Y (fitted value)
X = Variabel bebas
β 0 = koefisien intersep
= taksiran β 0
β 1 = koefisien regresi atau koefisien arah (slope)
b 1 = taksiran β 1 , yang menunjukkan besarnya perubahan dalam Y per unit jika terjadi
peningkatan dalam X sebesar 1 unit(satuan).
e = gangguan (error)
Untuk mendapatkan persamaan regresi linier di atas, terlebih dahulu perlu mencari nilai b 0 dan
b 1 yang dapat dihitung dengan menggunakan metode kuadrat terkecil (ordinary least square
atau OLS) dengan rumus sebagai berikut:
n X i Yi ( X i )( Yi ) Y b1 X i
b1 dan b0
i
n X i ( X i )
2 2
n n
Untuk dapat mengambil kesimpulan secara umum (generalisasi) maka langkah selanjutnya
setelah nilai b 0 dan b 1 diketahui yaitu perlu dilakukan pengujian signifikansi koefisien
regresinya. Pengujian ini dilakukan untuk mengetahui apakah keberadaan variabel X dalam
model berguna/ berarti dalam menjelaskan variabel Y atau dengan kata lain apakah ada pengaruh
dari X terhadap Y.
Pengujian hipotesis di atas merupakan uji dua pihak. Perumusan mengenai koefisien regresi
dalam hipotesis alternatif (H1) mungkin ditetapkan dalam arah tertentu, seperti 1 0 atau
1 0 , sesuai dengan hubungan yang diduganya, apakah positif atau negatif.
S e2
Di mana: S b1 =
x2
y b12 x
2 2
S e2
n2
( X i )
2
x Xi
2 2
n
( Yi )
2
y Y
2
2
i
n
Keterangan :
b1 : Nilai taksiran β1
Sb1: Standar error dari koefisien b1
C. Koefisien Determinasi
Setelah menghitung nilai koefisien korelasi dan regresi dan menguji signifikansinya dan
hasilnya signifikan, kita selanjutnya perlu menentukan koefisien determinasi karena nilai r
hanya menyatakan erat tidak hubungannya, tanpa menjelaskan seberapa besar persentase
perubahan pada variabel Y yang dapat dijelaskan oleh variabel X melalui hubungan linier antara
X dan Y dan hal ini dapat dijelaskan oleh koefisien determinasi. Dengan rumus berikut:
R2 = r2 ; di mana R2 = Koefisien determinasi (KD)
Contoh Kasus:
Dari Tabel 1 (pada contoh korelasi) berikut:
Biaya Iklan (X) 3 6 9 10 13
Hasil Penjualan (Y ) 12 23 24 26 28
Penyelesaian:
a. untuk membuat persamaan regresi, perlu menghitung koefisien regresinya yaitu:
n X i Yi ( X i )( Yi )
b1
n X i ( X i ) 2
2
=
5 1014 41 113
5 395 41 2
5070− 4633
= 1975− 1681
437
294
= 1,486
b0
Y i
b1 X i
n n
113 1, 486 41
5 5
= 22,6 12 , 2
= 10,4
Model di atas menunjukkan bahwa secara rata-rata hasil penjualan adalah sebesar 10,4 dan akan
terdapat peningkatan hasil penjualan sebesar 1,486 jika ada peningkatan biaya iklan sebesar
satu.
b1 1 , 486
2) Statistik uji: t hitung = S = 0 , 378 = 3,93
b1
Daerah
penerimaan H0
-3,182 3,182
3,93
Gambar 9.1. Kurva uji dua pihak
4) Kesimpulan: Dari hasil perhitungan diperoleh nilai t hitung sebesar 3,93. Sedangkan nilai
ttabel pada tingkat signifikansi 5% dan derajat bebas 3 adalah 3,182. Karena nilai t hitung
lebih besar dari nilai ttabel (seperti yang terlihat pada gambar 1, nilai t hitung jatuh di
daerah penolakan) maka H0 ditolak pada tingkat signifikansi 5% sehingga dapat
disimpulkan bahwa koefisien regresi berarti (terdapat pengaruh signifikan biaya iklan
terhadap hasil penjualan).
Dari nilai R2 dapat diketahui bahwa sebesar 83,7% variasi dari hasil penjualan dapat
ditentukan oleh variabel biaya iklan dan sisanya sebesar 16,3% ditentukan oleh faktor lain.