ANALISIS REGRESI LINIER SEDERHANA

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.

A. Persamaan Regresi Linier Sederhana

Analisis regresi linier sederhana merupakan teknik analisis yang digunakan untuk
menjelaskan bentuk atau pola hubungan linier antara satu variabel bebas dengan satu variabel
terikat yang mempunyai skala pengukuran interval/ rasio. Analisis regresi ini dapat digunakan
untuk melihat pengaruh satu variabel bebas terhadap variabel terikat, untuk memprediksi atau
meramalkan nilai variabel terikat dari nilai satu variabel bebas. Persamaan atau model regresi
linier sederhana dari Y terhadap X dapat dirumuskan dengan:
Y = β 0 + β1 X + e

Sedangkan model regresi taksirannya adalah

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

B. Uji Signifikansi Koefisien Regresi

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.

Dengan mengasumsikan bahwa gangguan (e) berdistribusi normal, pengujian signifikansi

koefisien regresi dirumuskan dalam hipotesis sebagai berikut:
H0 : β1 = 0 (koefisien regresi tidak signifikan/ berarti )
H1 : β1 ≠ 0 (koefisien regresi signifikan/ berarti)

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.

Statistik uji yang dapat digunakan yaitu:

b1
Dengan uji t-student: t hitung = S
b1

S e2
Di mana: S b1 =
 x2
y  b12  x
2 2

S e2 
n2
( 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

Kriteria uji yang digunakan untuk uji dua pihak yaitu:

1. Membandingkan nilai t hitung dengan t tabel
Terima H0 jika  t tabel < t hitung < t tabel
Tolak H0 jika t hitung   t tabel atau t hitung  t tabel
t tabel  t  α 
 , n -2 
2 

2. Berdasarkan nilai p-value

Terima H0 jika p-value > α
Tolak H0 jika p-value ≤ α

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)

Dalam menginterpretasikannya biasanya R2 ini dinyatakan dalam persentase maka:

R2 x 100%

Sehingga koefisien determinasi menyatakan seberapa besar persentase perubahan-perubahan

pada variabel Y dapat dijelaskan oleh variabel X melalui hubungan liniernya.

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

a. Buatlah persamaan regresi taksirannya

b. Ujilah signifikansi koefisien regresinya dengan taraf nyata 5%.
c. Berapa ramalan (prediksi) hasil penjualan jika biaya iklannya adalah 15
d. Hitung koefisien determinasinya.

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

Jadi persamaan regresi taksirannya adalah Yˆ = 10,4 + 1,486 X

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.

b. langkah-langkah untuk melakukan uji signifikansi yaitu:

1) Hipotesis uji:
H0 : β1 = 0 (koefisien regresi tidak berarti)
H1 : β1 ≠ 0 (koefisien regresi berarti)

Untuk menghitung nilai t, sebelumnya terlebih dahulu harus menghitung:

( Yi )
2
(113 ) 2 12769
  Yi
2 2
y    2709   2709   2709  2553 ,8  155 , 2
n 5 5
( X i )
2
( 41 ) 2 1681
 
2 2
x  Xi   395   395   395  336 , 2  58 ,8
n 5 5
y x
2 2
b 1
2
155 , 2  (1, 486 2  58 ,8 ) 155 , 2  ( 2 , 21 )( 58 ,8 )
S e2   
n2 52 3
155 , 2  129 ,9 25 , 3
   8, 4
3 3
S e2 8, 4
S b1 =   0,143  0,378
 x2 58 ,8

b1 1 , 486
2) Statistik uji: t hitung = S = 0 , 378 = 3,93
b1

3) Kriteria uji : Karena pengujian adalah uji dua pihak sehingga

t tabel  t  α   t 0 , 025  3,182
jika α = 0,05 maka diperoleh  , n -2 
2 
;3

jadi kriteria penolakan hipotesis nolnya adalah

tolak H0 jika t hitung  3 ,18 2 atau t hitung   3 ,182

Daerah penolakan H0 Daerah penolakan H0

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).

c. Jika X = 12 maka prediksi Y adalah

^ 10,4+1,486 X
Y=
= 10,4 + (1,486)(12)
= 32,232

d. Telah diketahui bahwa nilai r = 0.915 maka koefisien determinasinya adalah

R 2 = r 2  ( 0 ,915 ) 2  0 ,837
R2 x 100% = 0 , 837 x 100 %  83,7%
Sisanya yaitu 100% - 83,7% =16,3%

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.