A.

Defenisi Regresi Liniear Sederhana

Analaisis regresi linier sederhana adalah analisis regresi linier yang hanya
melibatkan dua variabel, yaitu satu variabel independen dan satu variabel dependen.
Disebut linier sederhana karena variabel dependen diasumsikan berhubungan linier dalam
parameter dan linier dengan variabel independen.
Secara umum terdapat 4 (empat) tahap yang dilakukan dalam analisis regresi dalam
rangka memperoleh model yang baik, yaitu:
1. Identifikasi Model
Pada tahap ini dilakukan perumusan model secara umum termasuk pemilihan variabel baik
variabel independen maupun variabel dependen terhadap permasalahan yang harus
dipecahkan, serta menspesialisasikan hubungan fungsional antar variabel (pilihan model
sementara). Cara mudah yang dapat dilakukan adalah dengan melihat diagram sebar
(scatter diagram).
2. Estimasi /Penaksiran parameter
Langkah kedua adalah melakukan estimasi terhadap parameter-parameter dalam model
sementara. Ada 2 (dua) metode yang biasa digunakan, yaitu metode kuadrat terkecil dan
metode maksimum likelihood.
3. Pengujian (Diagnostik Checking)
Pada tahap ini dilakukan pengujian-pengujian terhadap hasil-hasil pada langkah 3 di atas,
diantaranya uji hipotesis terhadap koefisien-koefisien regresi. Jika hasil yang diperoleh
tidak sesuai yang diharapkan (tidak signifikan) maka tahapan analisis harus dimulai lagi
dari tahap pertama.
4. Penerapan
Tahap terakhir ini merupakan tujuan utama dari analisis regresi, yaitu melakukan prediksi
(perkiraan) yang dapat dipercaya, sehingga dapat dijadikan sebagai dasar dalam
pengambilan keputusan. Kemungkinan kesalahan adalah penggunaan yang tidak pada
tempatnya.

B. Model Regresi Linear Sederhana

Secara umum, model regresi linier sederhana dengan satu variabel independen dan
fungsi linier dalam X dapat ditulis :
Y = α + βX + ɛ (2.1)
Di mana
Y: Variabel dependen
X: Variabel Independen
α : intersep (titik potong) kurva terhadap sumbu Y
β : Kemiringan (slope) kurva linier
ɛ : Variabel pengganggu (residual)
Diketahui pasangan data berukuran n (Xi, Yj) dimana i= 1,2,……. ,n dari sebuah
populasi, maka model regresi linier sederhana dapat ditulis:
Yi = α + βXi + ɛi (2.2)

Untuk memperoleh model regresi linier sederhana yang baik, perlu diperhatikan 5
(lima) asumsi dasar yang dikenal dengan “Asumsu-asumsi model regresi linier sederhana”
yang mempunya peran penting dalam distribusi α dan β :
1. ɛi adalah sebuah variabel random riil yang memiliki distribusi normal.
2. Nilai mean ɛi untuk setiap –i adalah 0

E [ ɛi ] = 0 , untuk i = 1,2,…..,n
3.
Nilai varians ɛi untuksetiap –i adalah konstan

Var [ ɛi ] = σ2 , untuk i = 1,2,…..,n

Asumsi ini dikenal sebagai asumsi homokedasitas pelanggaran terhadap asumsi ini
disebut heterokedastisitas.
4.
Faktor gangguan dari setiap pengamatan yang berbeda tidak saling mempengaruhi
(bersifat independen).
E [ ɛi ɛj ] = 0 , untuk i # j
Asumsi ini dikenal sebagai asumsi nir-autokorelasi . Pelanggaran terhadap asumsi ini
disebut autokorelasi
5.
Faktor gangguan tidak dipengaruhi oleh variabel
independen E [ ɛi Xj ] = 0 , untuk i,j = 1,2,……,n
Asumsi 1 sampai 3 diatas diketahui ɛi ῀ N (0, σ2) maka dapat diperoleh mean dan
variansi dari Y:
Mean (Y)
E (Yi) = E (α + βXi + ɛi),
= α + βXi + E [ ɛi], karena E [ ɛi]= 0
= α + βXi
Variansi (Y)
Var (Yi) = E [ (Yi – E (Yi))2]
 = E [((α + βXi + ɛi) – (α + βXi))2],
= E [ɛi2] = σ2
Akibat lebih lanjut dari ɛi ˷ N (0, σ2) adalah Yi ˷ N ((α + βXi), σ2)
Dapat dibuktikan dengan menggunakan MGF (Moment Generation Function)