BAB II

TINJAUAN PUSTAKA

A. Kajian Pustaka

1. Regresi Linear Sederhana

a. Pengertian regresi linear sederhana

Pada percobaan atau penelitian, model regresi sering digunakan untuk

mengetahui atau memprediksi pengaruh variabel X terhadap variabel Y yang

diamati. Di dalam pembahasan ini terbatas pada regresi linier sederhana

yaitu mengenai hubungan kausal antara dua variabel yang dinyatakan dalam

suatu garis lurus. Analisis regresi dipergunakan untuk mengetahui hubungan

kausal antara variabel X dan Y berdasarkan teori-teori yang ada.

b. Metode kuadrat terkecil

Untuk sekedar mengestimasi nilai-nilai parameter 0 dan 1 dengan

metode kuadrat terkecil galat-galat acak tidak perlu diasumsikan bahwa

memiliki mean 0, variansi konstan, tidak berkorelasi, atau berdistribusi

normal.

1) Diagram pencar/tebar (scatter diagram)

Setelah ditetapkan bahwa terdapat hubungan kausal antara dua

variabel, maka untuk mendukung analisis lebih jauh digunakan grafik

untuk mendapatkan data yang ada. Grafik tersebut disebut diagram

pencar atau tebar, yang menunjukkan titik-titik tertentu. Setiap titik

7
 8

menunjukkan suatu hasil yang dinilai sebagai variabel bebas (X) maupun

tak bebas (Y).

Diagram pencar ini memberikan 2 manfaat yaitu:

a) Membantu menunjukkan ada tidaknya hubungan kausal yang

bermanfaat antara dua variabel.

b) Membantu menetapkan tipe persamaan yang menunjukan hubungan

kasual antara dua variable tersebut.

2) Teori jumlah kuadrat (least square metode)

Beberapa keunggulan dari metode least square yaitu :

a) Dengan mengkuadratkan, maka semua simpangan (error) yang ada

berubah menjadi positif.

b) Dengan mengkuadratkan, maka nilai error yang kecil akan

diperbesar dan bila nilai ini diminimkan, maka garis regresi yang

dihasilkannya akan mendekati ketepatan bila digunakan sebagai

penduga (fitted line).

c) Manipulasi aljabar dari metode Least Square dan teori maximum

likelihood estimation yang kesemuanya membuktikan bahwa

minimisasi jumlah kuadrat dari error merupakan teknik estimasi

yang terbaik.

Regresi adalah memperkirakan nilai dari variabel tak bebas pada

nilai variabel bebas tertentu. Garis lurus yang terdapat pada diagram

pencar yang menunjukkan adanya hubungan antara kedua variabel

 9

disebut garis regresi/perkiraan. Persamaan yang digunakan untuk

mendapatkan garis regresi pada data diagram pencar disebut persamaan

regresi atau persamaan perkiraan. Bagaimana melihat bahwa regresi

linier itu betul-betul tepat atau apakah regresi presisinya tinggi? Maka

dengan melihat koefisien determinasi (r²). r² menyatakan besarnya

kuadrat regresi terhadap jumlah kuadrat totalnya.

c. Mengestimasi Parameter dengan SPSS

Software SPSS sangat membantu kita untuk menghitung estimator

b0, b1, dan s 2 . Berikut ini langkah-langkah untuk mengestimasi parameter

dengan menggunakan software IBM SPSS Statistics 20. Versi SPSS yang

lain juga dapat digunakan, mungkin dengan sedikit modifikasi perintah.

Langkah-langkah pengerjaan nya:

1) Input data ke dalam lembar kerja SPSS.

2) Klik menu Analyze, sorot Regression, lalu pilih Linear, maka akan

muncul kotak dialog.

3) Pada kotak dialog di atas klik IQ, klik tombol sehingga masuk kotak

Independent(s). Selanjutnya, klik Hasil_Belajar dan klik tombol

sehingga masuk kotak Dependent(s).

4) Lalu klik oke

d. Menguji pengaruh uji t

Kriteria uji yang digunakan adalah:

Tolak H0 jika | t | > tα /2

 10

di mana t/2 didapat dari tabel distribusi t dengan derajat bebas n – 2. Simbol

| t | (dibaca harga mutlak t) nilainya selalu positif. Jika didapat nilai t hitung

negatif, maka harga mutlaknya diperoleh dengan menghilangkan tanda

negatif, setelah itu dibandingkan dengan nilai t tabel (ta /2).

Simbol | t | > ta/2 equivalen dengan t > ta/2 atau t < – ta/2. Oleh karena itu,

kriteria uji dapat juga dinyatakan sebagai:

Tolak H0 jika t > ta/2 atau t < – ta/2.

Perhatikan juga bahwa di sini setelah kita menentukan taraf signifikansi α ,

ketika melihat pada tabel distribusi t, kita terlebih dahulu membagi α dengan

2.

Hal ini karena dalam teori statistika dapat dibuktikan bahwa kuadrat dari

distribusi t adalah distribusi F. Pada bagian ini akan dijelaskan pengujian

dengan statistik uji F dan pada bagian berikutnya akan digunakan statistik uji

t. Kita juga dapat menggunakan software SPSS untuk menguji keberartian

regresi dengan uji t.

e. Regresi linear berganda

1) Model umum regresi linear berganda

Model tersebut dianggap sederhana karena hanya membahas

pengaruh satu varibel (X) dengan satu variabel yang lain (Y). Pada

analisis regresi variabel tersebut dinamakan variabel bebas 75

(independent variable) dan variabel terikat (dependent variable).

Pengaruh linier dari variabel bebas (X) terhadap variabel terikat (Y)
 11

dengan menggunakan persamaan regresi linier sederhana yaitu : Y = a +

b X. Pada analisis regresi linier berganda, variabel bebas (X) yang

digunakan lebih dari satu, misalnya X1, X2, X3, ..., Xk. Satu variabel

terikat (Y) dipengaruhi oleh beberapa variabel bebas.

2) Metode Abreviate Doolittle dipersingkat

Nilai B dapat dicari dengan menggunakan metode determinan,

substitusi akan tetapi lebih mudah bila digunakan metode Abreviate

Doolittle. Metode Doolittle ini diperkenalkan oleh M.H. Doolittle,

seorang ahli geodesi di Amerika Serikat pada tahun 1878. Metode ini

banyak digunakan untuk menyelesaikan sistem persamaan normal dalam

analisis regresi. Metode ini dapat dipergunakan untuk menyelesaikan k

buah persamaan, dimana k dapat mengambil sembarang nilai, misalnya

10, 20, 30, ..., 200 dan seterusnya. Sebenarnya metode ini memberikan

banyak keuntungan, dengan mudah dapat dilakukan pembalikan matriks

setangkup (X’X = A), dan juga dapat dihitung berbagai jumlah kuadrat

(JK) untuk menguji hipotesis tentang parameter model yang

diidentifikasi. Dengan metode Doolittle dapat dipergunakann untuk

memperoleh :

a) Koefisien penduga parameter model regresi (koefisien regresi b)

b) Jumlah kuadrat yang berkaitan dengan setiap koefisien regresi.

c) Ragam dugaan dari setiap regresi, KT Galat

 12

d) Peragam dugaan diantara pasangan koefisien regresi yang ada, cov

(bi, bj).

e) Elemen-elemen dari invers matriks (X’X), jadi dengan menggunakan

metode Doolittle akan diperoleh elemen-elemen (X’X)-1.

f. Menguji hipotesis

Asumsi dalam Uji Hipotesis dan Pengecekannya Untuk keperluan

pengujian hipotesis dan juga untuk membuat interval konfidensi parameter

galat-galat acak diasumsikan sebagai berikut:

1. Memiliki mean 0

2. Memiliki variansi konstan  2

3. Tidak berkorelasi

4. Berdistribusi normal.

Asumsi-asumsi ini diperlukan antara lain agar dapat diperoleh statistik

uji yang distribusinya dapat dikenali seperti Snecdor F atau Student t. Jika

asumsi-asumsi tersebut tidak dipenuhi, maka tidak ada jaminan bahwa

rumus statistik uji F atau t yang kita kenal benar-benar berdistribusi F atau t

sehingga kesimpulan yang diperoleh dalam uji hipotesis bisa salah. Asumsi

linieritas tidak diperlukan untuk menguji ketiga hipotesis di atas karena

justru dengan dipenuhinya keempat asumsi di atas dapat dilakukan uji

linieritas (uji lack of fit). Uji linieritas merupakan pendekatan lain untuk

menguji kesesuaian model (model adequacy). Untuk mengecek atau menguji

dipenuhinya asumsi-asumsi di atas kita mendasarkan pada residual-residual

 13

yang merupakan realisasi dari galat acak. Berikut ini akan dijelaskan cara-

cara mengecek atau menguji asumsi-asumsi di atas.

a) Asumsi Galat Acak Memiliki mean 0

Dalam analisis regresi linier jumlah residual sama dengan 0 karena

Sebagai akibatnya rata-rata residual juga sama dengan 0. Jadi, seolah-

olah asumsi galat acak sama dengan 0 selalu terpenuhi. Akan tetapi,

sebenarnya kita harus melihat lebih jauh lagi. Kita harus melihat

bagaimana penyebaran residual. Kita buat grafik dengan sumbu

horizontal variabel X dan sumbu vertikal residual. Jika terdapat pencilan

(outlier) maka mungkin saja asumsi mean galat acak sama dengan 0

tidak terpenuhi. Residual yang besarnya (dalam harga mutlak) lebih dari

3s, di mana s adalah simpangan baku residual, dikategorikan sebagai

pencilan. Pencilan juga dapat muncul karena variansi galat acak tidak

homogen. Salah satu indikator kesesuian model regresi juga dapat

diketahui dari gari grafik penyebaran residual. Jika residual berada di

sekitar sumbu X secara acak, maka mengindikasikan bahwa model

regresinya sudah sesuai. Jika residual berpola membentuk kurva, maka

hal ini mengindikasikan bahwa model regresi linier tidak sesuai. Dalam

kasus residual berpola, model biasanya dapat diperbaiki dengan

menambah suku di mana variabel independennya berpangkat lebih dari

satu. Sebagai contoh, jika grafik residual membentuk parabola, maka

biasanya dapat diperbaiki dengan menambah suku X 2 dalam model, dan

 14

selanjutnya dilakukan analisis kembali dengan menggunakan prosedur

analisis regresi linier ganda.

b) Asumsi Galat Acak Memiliki Variansi Konstan

Asumsi variansi galat-galat acak sama dengan  2 biasa dinamakan

asumsi homogenitas atau dalam analisis regresi juga disebut

homoskedastisitas. Jika variansi galat acak tidak homogen, maka akan

menyulitkan dalam mengukur standar deviasi yang benar dari prediksi

galat, biasanya akan menghasilkan interval konfidensi yang terlalu lebar

atau terlalu sempit. Hal ini akan berimplikasi pada sulitnya memperoleh

kesimpulan yang benar dalam uji hipotesis karena ada keterkaitan antara

interval konfidensi dan uji hipotesis. Untuk mengecek dipenuhi atau

tidaknya asumsi homogenitas dapat dilihat dari grafik antara nilai

prediksi dari variabel dependen ( Y ˆ ) pada sumbu horizontal dan

residual pada sumbu vertikal. Jika rentangan nilainilai residual relatif

konstan seiring dengan perubahan nilai-nilai Y ˆ , maka asumsi

homogenitas dipenuhi. Sebaliknya, jika rentangan nilai-nilai residual

naik (atau turun) seiring naiknya nilai Y ˆ maka merupakan indikasi tidak

dipenuhinya asumsi homogenitas. Selain menggunakan residual (ei)

untuk mengecek asumsi homogenitas (dan asumsi yang lain) dapat

digunakan studentized residual di mana SE(ei) adalah standar error dari

residual. Rumus umum standar error residual agak kompleks untuk

dituliskan di sini, tetapi nilainya dapat diperoleh dengan menggunakan

 15

SPSS. Penggunaan studentized residual sering lebih baik karena

studentized residual memiliki mean 0 dan variansi 1 (tidak tergantung

skala pengukuran), sementara residual ei secara umum tidak memiliki

variansi yang sama. Jika asumsi homogenitas tidak dipenuhi, maka

alternatif yang mungkin digunakan untuk mengatasinya adalah dengan

menggunakan metode kuadrat terkecil terboboti (weighted least square)

dalam mengestimasi parameter. Alternatif lain adalah dengan melakukan

transformasi terhadap variabel dependen (Y), misalnya dengan

transformasi logaritma, transformasi invers, atau yang lainnya.

c) Asumsi Galat Acak Tidak Berkorelasi

Asumsi galat-galat acak tidak berkorelasi atau independen sangat

penting dalam analisis regresi. Jika asumsi ini tidak dipenuhi, maka

estimasi parameter dengan metode maksimum likelihood sulit dilakukan,

dan juga akan menyulitkan dalam analisis-analisis berikutnya, seperti

sulitnya mengestimasi variansi galat serta sulit dalam menguji hipotesis

dan membentuk interval konfidensi. Asumsi galat acak tidak berkorelasi

dapat dicek atau diuji dengan menggunakan residual. Akan tetapi, secara

teoretis dapat ditunjukkan bahwa secara umum residual justru

berkorelasi (dan juga memiliki variansi yang heterogen). Dalam praktik

kita masih dapat berharap dipenuhinya asumsi galat acak tidak

berkorelasi pada taraf signifikansi tertentu. Jika terdapat korelasi yang

signifikan tentu saja kita perlu memikirkan alternatif untuk

 16

mengatasinya. Pada data yang tergantung waktu sering galat-galat

acaknya berkorelasi (terdapat autokorelasi). Jika terdapat autokorelasi,

maka untuk mengatasinya dapat dicoba dengan menggunakan model

yang memuat lag variabel dependen

d) Asumsi galat acak berdistribusi normal.

Kita dapat mengestimasi parameter dengan menggunakan metode

maksimum likelihood yang mempunyai sifat-sifat baik (yang hasilnya

sama dengan dengan menggunakan metode kuadrat terkecil). Selain itu,

asumsi normalitas juga akan memudahkan kita dalam menguji hipotesis

dan membentuk interval konfidensi. Dalam langkah-langkah pengujian

hipotesis yang akan dibahas di bagian berikutnya, terlebih dahulu perlu

dihitung suatu statistik uji dan kemudian dibandingkan dengan suatu

nilai kritis dari tabel. Dalam statistika teori, statistik uji itu mempunyai

distribusi dan distribusinya tidak mudah dikenali jika galat acak tidak

berdistribusi normal. Jika galat acak berdistribusi normal (dan juga

memenuhi ketiga asumsi sebelumnya), maka dapat dibuktikan bahwa

statistik-statistik uji yang akan kita gunakan dapat dikenali distribusinya,

misalnya berdistribusi t atau F. Jika asumsi distribusi normal tidak

dipenuhi juga dapat mengakibatkan interval konfidensi terlalu lebar atau

terlalu sempit. Sekali lagi pada bagian ini diingatkan bahwa dalam

analisis regresi yang diuji normalitasnya adalah galat acak , bukan

variabel dependen Y atau variabel independen X. Hal ini karena

 17

mungkin saja galat acak berdistribusi normal tetapi data variabel

dependen tidak berdistribusi normal, dan di sini asumsi normalitas untuk

analisis regresi tetap terpenuhi. Variabel X tidak perlu diuji

normalitasnya karena dianggap bukan variabel acak dan nilai-nilainya

dapat dipilih sesuai dengan keperluan peneliti.

 18

B. Kerangka Berfikir

Permasalahan

Belum diketahuinya pengumpulan data dan

pengolahan data yang berupa uji regresi linier satu
variabel, uji regresi linier dua variabel, uji t serta uji Data
keberartian regresi linier pada data tinggi badan dan Data tinggi badan dan
berat badan kelas E pagi, kelas B pagi, kelas E malam berat badan kelas B pagi
dan kelas B malam serta data jumlah populasi
sebanyak 43 data, kelas B
penduduk negara Filipina dari tahun 1991-2020.
malam sebanyak 42 data,
kelas E pagi sebanyak 38
data, kelas E malam
Pengolahan Data sebanyak 43 data serta data
jumlah populasi penduduk
1. Data tinggi badan dan berat badan negara filipina sebanyak
kelas B pagi, kelas B malam, kelas E 30 data
pagi dan kelas E malamserta data
jumlah populasi penduduk negara
Filipina dari tahun 1991-2020.
2. Data diolah menggunakan bantuan
aplikasi SPSS
3. Data diolah menggunakan metode
kuantitatif

Analisis
Data tinggi badan, berat badan dan jumlah populasi
penduduk negara Filipina dari tahun 1991sampai 2020diolah
menggunakan berbagai macam pengujian seperti uji regresi
satu dan dua variabel, uji keberartian, uji t dll.

Hasil yang diharapkan

Untuk mengetahui hasil uji Regresi Linear satu Variabel dari data
Tinggi Badan dan Berat Badan kelas B pagi, kelas B malam, kelas E pagi dan
kelas E malam, Untuk mengetahui hasil uji Regresi Linear dua Variabel dari
data populasi penduduk Negara Filipina, Untuk mengetahui hasil uji t dari data
Tinggi Badan dan Berat kelas B pagi, kelas B malam, kelas E pagi dan kelas E
malam, Untuk mengetahui hasil uji keberartian Regresi dari data populasi
penduduk Negara Filipina.

Gambar 2.1
Kerangka Berfikir
Sumber: Penelitian
 19

C. Penelitian Yang Relevan

Dalam penyusunan modul ini tentunya kami menggunakan berbagai

penelitian terdahulu sebagai referensi untuk landasan teori maupun rumus. Berikut

diantaranya:

1. Novi Ariyani dan Ahmad Zaenal Arifin.(2021).Prediksi Tingkat Pengangguran

Di Kabupaten Tuban Tahun 2020 Menggunakan Metode Regresi Linear

Sederhana.Jurnal Unirow Vol.03,No.01.Hal 6-13. Pengangguran adalah suatu

hal yang tidak dikehendaki, dikarenakan banyak faktor – faktor yang

mempengaruhinya salah satunya yaitu inflasi. Pengangguran sendiri merupakan

masalah ketenagakerjaan yang cukup serius yang terjadi diberbagai provinsi di

Indonesia, salah satunya di Kabupaten Tuban. Dengan permasalahan tersebut

tujuan dari penelitian ini yaitu memprediksi jumlah Tingkat Pengangguran

Terbuka di Kabupaten Tuban Tahun 2020 menggunakan metode Regresi Linear

Sederhana yang kemudian dilanjutkan dengan fuzzy Time Series. Kesimpulan

dari pengolahan data menggunakan regresi adalah nilai 𝒕𝒉𝒊𝒕 > 𝒕𝒕𝒂𝒃 , sehingga

dikatakan bahwa, ada pengaruh nyata (signifikan) variabel X terhadap variabel

Y dengan taraf signifikan 5%. Dengan demikian H1 diterima yang artinya inflasi

berpengaruh signifikan terhadap tingkat pengangguran terbuka. Dari hasil

prediksi yang diperoleh pada tahun 2019 sebesar 2,8% dimana dari data Tingkat

Pengangguran Terbuka dengan nilai prediksi memiliki perbedaan sebesar

4.529%. Menggunakan metode Regresi Linear Sederhana dengan 8 varaiabel

bebas dan 8 variabel tak bebas. Variable bebas/ predictor/ independent (X) yaitu
 20

Inflasi dan untuk variable tak bebas/ response/ dependent (Y) yaitu Tingkat

Pengangguran Terbuka. Terdapat pengaruh signifikan variabel X terhadap

variabel Y, dimana dengan menggunakan hipotesis Uji-t didapatkan pengaruh

nyata yaitu 𝑡ℎ𝑖𝑡 > 𝑡𝑡𝑎𝑏 → 2,8424 > 2,44691 dengan taraf signifikan 5%. Hal ini

menunjukan bahwa variabel inflasi berpengaruh signifikan terhadap tingkat

pengangguran terbuka. Maka dapat disimpulkan H0 ditolak dan H1 diterima.

Berdasarkan uji koefisien determinasi (r2 ) bernilai 0,5738 yang artinya inflasi

mempunyai kontribusi sebesar 57% terhadap jumlah pengangguran dan sisanya

43% dari faktor lainnya.

 21

2. Dimas Aulia Trianggana.(2020).PERAMALAN JUMLAH SISWA-SISWI

MELALUI PENDEKATAN METODE REGRESI LINEAR.Jurnal Media

Infotama Volume 16. No.2. Hal 115-120. Aplikasi ini dapat meramalkan data

untuk tahun pelajaran berikutnya berdasarkan analisa data pada tahun pelajaran

sebelumnya terhadap jumlah pendaftar siswa baru per jurusan. Dengan adanya

aplikasi dapat membantu pihak sekolah dalam mengelola penjamin mutu

sekolah, agar dapat menarik minat dari calon siswa untuk melakukan

pendaftaran di Sekolah berdasarkan jurusan yang tersedia. Berdasarkan

pengujian yang telah dilakukan, dapat disimpulkan bahwa fungsional dari

aplikasi telah berjalan sebagaimana mestinya dan aplikasi mampu menampilkan

hasil peramalan berdasarkan data trend yang diinputkan. Berdasarkan hasil dari

pembahasan tersebut, maka dapat disimpulkan bahwa : 1. Aplikasi ini dapat

meramalkan data untuk tahun pelajaran berikutnya berdasarkan analisa data

pada tahun pelajaran sebelumnya terhadap jumlah pendaftar siswa baru per

jurusan. 2. Dengan adanya aplikasi dapat membantu pihak sekolah dalam

mengelola penjamin mutu sekolah, agar dapat menarik minat dari calon siswa

untuk melakukan pendaftaran di Sekolah berdasarkan jurusan yang tersedia. 3.

Berdasarkan pengujian yang telah dilakukan, dapat disimpulkan bahwa : a.

Fungsional dari aplikasi telah berjalan sebagaimana mestinya b. Aplikasi mampu

menampilkan hasil peramalan berdasarkan data trend yang diinputkan.