REGRESI LINEAR SEDERHANA

PERTEMUAN 13-14
DOSEN :
DENNY ASTRIE ANGGRAINI, M.T

d_nny0204@yahoo.com
Analisis Regresi?
Regresi dan Korelasi

Regresi: bentuk hubungan antara

variabel bebas (satu atau lebih)
terhadap variabel tak bebas

Korelasi : tingkat keeratan hubungan

antara variabel pengamatan (variabel
bebas dan tak bebas).
 Regresi Linier Sederhana
Prediksi hubungan antara dua variabel,
yaitu:
– Variabel y: respon, outcome, akibat,
dependen (terikat/tak bebas)
– Variabel x: prediktor, explanatory (yang
menjelaskan), independen (bebas), sebab
Jika tidak ada penjelasan variabel mana yang
merupakan respon/akibat → Analisis
Korelasi
 Regresi Linier Sederhana
• Contoh model regresi bisa dinyatakan
sebagai berikut :
Perkiraan jumlah = intercept + perubahan jumlah kartu x Ukuran keluarga
Kartu kredit kredit karena perubahan
satu unit ukuran keluarga

Atau
• Y=a+bX
 Regresi Linier Sederhana
• Interpretasi dari persamaan tersebut adalah :
– Koefisien regresi (b). Perkiraan perubahan dari
variabel dependen untuk setiap unit perubahan
variabel independen. Jika variabel independen
ditemukan secara signifikan berpengaruh (koefisien
benar-benar signifikan berbeda dari nol), nilai dari
koefisien regresi mengindikasikan seberapa besar
hubungan variabel independent tersebut terhadap
variabel dependennya.
– Intercept (a). Interpretasi intercept kadang-kadang
berbeda. Intercept adalah hanya sebagai nilai
explanatory dalam rentang nilai variabel-variabel
independen.
 Regresi Linier Sederhana
Lebih dari itu, interpretasi intercept didasarkan pada
karakteristik dari variabel independen :
• Dalam hubungan sederhana, intercept adalah hanya
sebagai nilai interpretif jika variabel independen bernilai nol.
Contoh, misalkan variabel independennya adalah biaya
periklanan. Jika dalam kenyataan atau pada beberapa
kondisi, tidak ada periklanan yang dilakukan, maka nilai
intercept akan merepresentasikan nilai variabel dependen
ketika biaya periklanan nol,
• Jika nilai independen merepresentasikan sebuah
pengukuran yang tidak pernah bisa mempunyai nilai
sebenarnya nol (seperti tingkah laku atau persepsi),
intercept membantu dalam meningkatkan proses prediksi,
tetapi tidak mempunyai nilai eksplanatory.
 Regresi Linier Sederhana

Model Persamaan Regresi:

y = a + bx
dengan
 Contoh :
Tentukan estimasi Sample
Waktu Biaya (Ribu
biaya pengelasan (menit) Rupiah)
yang harus 1 13,9427 54,73
dikeluarkan, jika 2 9,9157 53,87
waktu pengelasan 3 7,5652 52,52
yang dibutuhkan 4 14,6474 56,06
adalah selama 30 5 9,951 54,55
menit? 6 6,8356 53,21
7 13,6373 57,43
8 10,2808 55,82
9 7,3421 53,86
Perhitungan
Sample Xi Yi Xi Yi Xi2 Yi2
1 13,9427 54,73 763,084 194,3989 2995,373
2 9,9157 53,87 534,1588 98,3211 2901,977
3 7,5652 52,52 397,3243 57,2323 2758,35
4 14,6474 56,06 821,1332 214,5463 3142,724
5 9,951 54,55 542,827 99,0224 2975,703
6 6,8356 53,21 363,7223 46,7254 2831,304
7 13,6373 57,43 783,1901 185,9759 3298,205
8 10,2808 55,82 573,8743 105,6948 3115,872
9 7,3421 53,86 395,4455 53,9064 2900,9
Jumlah 94,1178 492,05 5174,76 1055,824 26920,41
Perhitungan

a=
[(492,05)(1055,824) - (94,1178)(5174,76) 
(9)(1055,824) - (94,1178) 
2

= 50,4166

b=
(9)(5174,76) - (94,1178)(492,05) 
[(9)(1055,824) - (94,1178)  2

= 0,4069

Model Persamaan Regresi :

Y = 50,4166 + 0,4069X
Persamaan Regresi Untuk Menduga Nilai Y

• Model Persamaan Regresi bisa digunakan

untuk menduga/memprediksi nilai Y.
• Dari contoh sebelumnya, jika kita ingin
memprediksi berapa biaya pengelasan jika
waktu pengelasan dilakukan selama 30 menit
adalah :
Y = 50,4166 + 0,4069X
= 50,4166 + 0,4069 (30)
= 50,4166 + 12.207
= 62,624
 Latihan :
i 1 2 3 4 5 6 7 8 9
Jarak
(mil) 1,5 1,8 2,4 3,1 3,5 3,8 4,4 4,8 5,0

BB
(liter) 4,8 5,7 7,2 8,3 10,9 12,5 13,1 13,6 15,3

a. Jelaskan arah dan tingkat kekuatan hubungan jarak

yang ditempuh dan konsumsi bahan bakar!
b. Bagaimana persamaan liniernya?
c. Jika jarak yang ditempuh adalah 6 mil, berapakah
konsumsi bahan bakar yang digunakan?
Any Questions…???

Akhir Kuliah ke-14

d_nny0204@yahoo.com