BAB II

LANDASAN TEORI

2.1. Persamaan Garis Regresi Linier Sederhana

Regresi yang berarti peramalan, penaksiran, atau pendugaan pertama kali
diperkenalkan pada tahun 1877 oleh Sir Francis Galton (1822-1911) sehubung
dengan penelitiannya terhadap tinggi manusia. Penelitian tersebut
membandingkan antara tinggi anak laki-laki dan tinggi badan ayahnya.
Analisis regresi juga digunakan untuk menentukan bentuk (dari) hubungan
antarvariabel. Tujuan utama dalam penggunaan analisis itu adalah untuk
meramalkan atau memperkirakan nilai dari satu variabel dalam hubungannya
dengan variabel yang lain yang diketahui melalui persamaan garis regresinya
(Hassan, 2002).
Persamaan matematik yang memungkinkan kita meramalkan nilai-nilai
suatu peubah tak bebas dari nilai-nilai satu atau lebih peubah bebas disebut
persamaan regresi (Walpole, 1993).
Regresi linier adalah regresi yang variable bebasnya (variabel X)
berpangkat paling tinggi satu. Regresi linier sederhana, yaitu regresi linier yang
hanya melibatkan dua variabel X dan Y (Hassan, 2001).
Analisis regresi akan dibedakan menjadi dua jenis variabel yaitu variabel
bebas atau variabel prediktor dan variabel tak bebas atau variabel respon.
Penentuan variabel mana yang bebas dan mana yang tidak bebas dalam beberapa
hal tidak mudah dapat dilaksanakan. Studi yang cermat, diskusi yang seksama,
berbagai pertimbangan, kewajaran masalah yang dihadapai dan pengalaman akan
membantu memudahkan penentuan. Variabel yang mudah didapat atau tersedia
sering dapat digolongkan kedalam variabel bebas sedangkan variabel yang terjadi
karena variabel bebas itu merupakan variabel tak bebas. Untuk keperluan analisis,
variabel bebas akan dinyatakan dengan X, sedangkan variabel tak bebas akan
dinyatakan dengan Y (Sudjana, 2005).
 Untuk populasi, persamaan garis regresi linier sederhananya dapat
dinyatakan dalam bentuk :

µy.x = A + BX
Keterangan :
µy.x = Rata-rata Y bagi X tertentu
A, B = konstanta atau parameter atau koefisien regresi populasi

Karena populasi jarang diamati secara langsung, maka digunakan

persamaan regresi linier sederhana sampel sebagai penduga persamaan regresi
linier sederhana populasi. Bentuk persamaan adalah.

Y = a + bX

Keterangan :
Y = penduga bagi µy.x
X = variabel bebas (variabel yang diketahui)
a,b = penduga parameter A dan b
a = intersep ( nilai Y, bila X = 0)
b = slop (kemiringan garis regresi)

Hubungan antara dua variabel pada persamaan linier jika digambarkan

secara grafis (scatter diagram), semua nilai Y dan X akan berada pada suatu garis
lurus. Garis itu dalam ilmu ekonomi disebut garis regresi. Nilai antara Y dan X
memiliki hubungan sehingga nilai X dapat digunakan untuk menduga atau
meramal nilai Y. variabel X disebut variabel bebas, yaitu variabel yang nilai-
nilainya tidak bergantung pada variabel lain dan variabel Y disebut variabel
terikat, yaitu variabel yang nilai-nilainya bergantung pada variabel yang lain.
Hubungan antarvariabel yang akan dipelajari pada modul kali ini hanya hubungan
linier sederhana, yaitu hubungan yang melibatkan dua variabel (X dan Y) dan
berpangkat satu (Hasan, 2001).

Persamaan Y =a+bX memberikan arti jika variabel X mengeluarkan

satu satuan maka variabel Y akan mengalami peningkatan atau penurunan sebesar
1 × b. Persamaan-persamaan garis regresi linier tersebut adalah identik jika semua
titik dari diagram pencarnya berada pada sebuah garis. Hal ini menandakan bahwa
ada korelasi sempurna antara X dan Y. Persamaan regresi berbentuk Y = a + bX,
nilai a dan b dapat ditentukan dengan cara berikut (Hasan, 2001):
a. Rumus (I)

(ΣY )(ΣX2 )−(ΣX )(ΣXY)

a=
(n )(ΣX2 )−(ΣX )2
(n )(ΣXY)−(ΣX )( ΣY)
b=
(n )(ΣX2 )−(ΣX )2

b. Sistem Persamaan Linier Dua Variabel

ΣY=a . n+b .ΣX

ΣXY=a . ΣX+b .ΣX 2

c. Pendekatan Matriks

(ΣXn )( ) ( )
ΣX a
2
ΣX b
=
ΣY
ΣXY

A= (
n ΣX
ΣX ΣX2 )
a=
detA 1
detA
A 1= (
ΣY ΣX
ΣXY ΣX
2 )
b=
detA 2
detA (
A 2 = Σn ΣY
ΣX ΣXY )
d. Rumus (II)

(n )(ΣXY)−(ΣX )( ΣY)
b=
(n )(ΣX2 )−(ΣX )2
a=Υ −b . Χ
2.2. Kesalahan Baku Regresi dan Koefisien Regresi Sederhana
Kesalahan baku atau selisih taksir standar merupakan indeks yang
digunakan untuk mengukur tingkat ketepatan regresi (pendugaan) dan koefisien
regresi (penduga) atau mengukur variasi titik-titik observasi di sekitar garis
regresi. Apabila semua titik observasi berada tepat pada garis regresi maka
kesalahan baku akan bernilai sama dengan nol. Hal itu berarti perkiraan yang telah
dilakukan terhadap data sesuai dengan data yang sebenarnya. Berikut ini rumus-
rumus yang secara langsung digunakan untuk menghitung kesalahan baku regresi
dan koefisien regresi (Hasan, 2002).
a. Untuk regresi, kesalahan bakunya dirumuskan:

√
S e=
ΣY 2−a.ΣY−b.ΣXY
n−2

b. Untuk koefisien regresi a (penduga a), kesalahan bakunya dirumuskan:

S a=
√ ΣX2 −Se
n. Σ2 −(ΣX )2

c. Untuk koefisien regresi b (penduga b), kesalahan bakunya dirumuskan:

√
Se
S b=
2 ( ΣX )2
ΣX −
n

2.3. Asumsi-Asumsi Dasar Regresi

Penggunaan regresi, terdapat beberapa asumsi dasar yang dapat
menghasilkan estimator linier tidak bias yang terbaik dari model regresi yang
diperoleh dari metode kuadrat terkecil biasa. Terpenuhnya asusmsi tersebut, maka
hasil yang diperoleh dapat lebih akurat dan mendekati atau sama dengan
kenyataan (Hassan, 2002).
 Asumsi-asumsi dasar itu dikenal sebagai asumsi klasik, yaitu sebagai
berikut.
1) Homoskedastisitas, berarti varians dari variabel bebas adalah sama atau
konstan untuk setiap nilai tertentu dari variabel bebas lainnya atau variasi
residu sama untuk semua pengamatan.
2) Nonautokorelasi, berarti tidak ada pengaruh dari variabel dalam modelnya
melalui selang waktu atau tidak terjadi korelasi di antara galat randomnya.
3) Nonmultikolinearitas, berarti antara variabel bebas yang satu dengan variabel
bebas yang lain dalam model regresi tidak terjadi hubungan yang mendekati
sempurna ataupun hubungan yang sempurna.
4) Distribusi kesalahan (error) adlah normal.
5) Nilai rata-rata kesalahan (error) populasi pada model stokastiknya sama
dengan nol.
6) Variabel bebasnya mempunyai nilai yang konstan pada setiap kali percobaan
yang dilakukan secara berulang-ulang (variabel nonstokastik).

2.4 Penyimpangan Asumsi Dasar

Penyimpangan terhadap asumsi-asumsi dasar tersebut dalam regresi akan
menimbulkan beberapa masalah, seperti standar kesalahan untuk masing-masing
koefisien yang diduga akan sangat besar, pengaruh masing-masing variabel bebas
tidak dapat dideteksi, atau variasi dari koefisienya tidak minim lagi. Akibatnya,
estimasi koefisiennya menjadi kurang akurat lagi yang pada akhirnya dapat
menimbulkan interpretasi dan kesimpulan yang salah.
Pembahasan mengenai penyimpangan asumsi dasar ini hanya difokuskan
pada penyimpangan dari homoskedastisitas (dikenal sebagai heteroskedastisitas),
autoorelasi (dikenal sebagai autokorelasi), dan nonmultikolinearitas (dikenal
sebagai multikolinearitas). Hal itu disebabkan ketiga penyimpangan tersebut akan
berpengaruh besar terhadap pola perubahan variabel terikat, sedangkan
penyimpangan terhadap tiga asumsi lainnya sedikit atau bahkan tidak berpengaruh
terhadap pola perubahan variabel terikat tersebut (Hassan, 2002).
2.5 Regresi Linier Berganda
Regresi linier berganda adalah regresi dimana variabel terikatnya (Y)
dihubungakan /dijelaskan lebih dari satu variabel, mungkin dua, tiga, dan
seterusnya variabel bebas (X1, X2, X3,…, Xn) namun masih menunjukkan diagram
hubungan yang linier. Penambahan variabel bebas ini diharapkan dapat lebih
menjelaskan karakteristik hubungan yang ada walaupun masih saja ada variabel
yang terabaikan. Bentuk umum persamaan regresi linier berganda dapat dituliskan
sebagai berikut (Hasan, 2001):

Y = a + b1X1 + b2X2 + b3X3 + …+ bkXk + e

Keterangan:
Y = variabel terikat
a, b1, b2, b3,…, bk = koefisien regresi
X1, X2, X3,…, Xk = variabel bebas
e = kesalahan pengganggu (distribance terma), artinya nilai-
nilai dari variabel lain yang tidak dimasukkan dalam
persamaan. Nilai ini biasanya tidak dihiraukan dalam
perhitungan.

Nilai duga dari Y (prediksi) dapat dilakukan dengan mengganti variabel X

dengan nilai-nilai tertentu. Jika sebuah variabel terikat dihubungkan dengan dua
variabel bebas maka persamaan regresi linier bergandanya dituliskan (Hasan,
2001):
Y = a + b1X1 + b2X2
Keterangan:
Y = variabel terikat (nilai duga Y)
X1, X2 = variabel bebas
a, b1, b2 = koefisien regresi linier berganda
a = nilai Y, apabila X1 = X2 = 0
b1 = besarnya kenaikan/penurunan Y dalam satuan, jika X 1 naik/turun
satu satuan dan X2 konstan
b2 = besarnya kenaikan/penurunan Y dalam satuan, jika X 2 naik/turun
satu satuan dan X1 konstan
+ atau - = tanda yang menunjukkan arah hubungan antara Y dan X1 atau X2

b1 dan b2 disebut juga sebagai koefisien regresi parsial (partial coefficient

regression) dan sering dituliskan sebagai b1 = b01.2 dan b1 = b02.1. Nilai dari
koefisien a, b1, b2 dapat ditentukan dengan beberapa cara seperti berikut ini
(Hasan, 2001):
a. Metode Kuadrat Terkecil (Least Squared)

( Σx 22 )( Σx 1 y )−( Σx 2 y )( Σx 2 x3 )
b1 =
( Σx 21 )( Σx 22 )−( Σx 1 x2 )2
( Σx12 )( Σx 2 y )−( Σx1 y )( Σx 2 x 3 )
b2 =
( Σx12 )( Σx 22 )−( Σx 1 x 2 )2
ΣY−b1 ΣX1 −b 2 ΣX2
a=
n

Dimana:

2
2 2 (ΣX 1 )
Σx 1 =ΣX1 −
n
2 2
(ΣX 2 )2
Σx 2 =ΣX2 −
n
2
2 2 (ΣY )
Σy =ΣY −
n
(ΣX1 )(ΣY)
Σx 1 y=ΣX 1 Y −
n
(ΣX2 )(ΣY )
Σx 2 y=ΣX 2 Y −
n
( ΣX1 )(ΣX2 )
Σx 1 x 2=ΣX1 X 2 −
n
b. Persamaan Normal

ΣY=a. n+b1 ΣX 1 +b2 ΣX2

ΣX1 Y =a . ΣX1 +b 1 ΣX 2 +b 2 ΣX1 X 2
1
ΣX2 Y =a . ΣX2 +b1 ΣX1 X 2 +b 2 X 2

2.6 Hubungan Linier Lebih Dari Dua Variabel

Selain hubungan linier dua variabel, hubungan linier lebih dari dua
variabel juga dapat terjadi seperti hubungan antara volume penjualan dengan
biaya promosi dan harga, hubungan antara rata-rata harga beras dengan jumlah
penduduk, hubungan antara pendapatan dan jumlah uang beredar, hubungan
antara produkusi padi dengan bibit, pupuk, luas sawah, dan curah hujan.
Hubungan linier lebih dari dua variabel memiliki perubahan satu variabel
yang dipengaruhi oleh lebih dari satu variabel lain. Jika hubungan lebih dari dua
variabel dinyatakan secara fungsional (hubungan fungsional), didapatkan (Hasan,
2001):

Y = f(X1, X2, X3,… Xk)

Atau dalam bentuk persamaan matematis, dituliskan:

Y = a + b1X1 + b2X2 + b3X3 + …+ bkXk

Keterangan:
Y, X1, X2, X3,…, Xk = variabel-variabel
a, b1, b2, b3,…, bk = konstanta atau koefisien variabel
Persamaan lebih dari dua variabel di atas, variabel Y dipengaruhi oleh
lebih dari dua variabel yaitu variabel X 1, X2, X3,…, Xk. Hal ini membuat variabel
Y disebut sebagai variabel terikat (variabel dependen atau kriterium) dan variabel
X1, X2, X3,…, Xk disebut sebagai variabel bebas (variabel independen atau
predictor). Artinya nilai-nilai dari variabel Y dapat ditentukan atau diramalkan
berdasarkan nilai-nilai dari variabel X1, X2,…, Xk yang diketahui (Hasan, 2001).