MODUL PERKULIAHAN

ANALISIS DATA

Analisis Regresi Linier Sederhana

Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

12
Ekonomi dan Bisnis Manajemen S1 190263003 Team Teaching Analisis Data

Abstract Kompetensi

Modul ini menjelaskan mengenai Mahasiswa mampu memahami

pengertian regresi sederhana dan pengertian regresi linier sederhana
analisis regresi linier sederhana dan melakukan analisis regresi dengan
dengan menggunakan SPSS mengunakan SPSS
 Analisis Regresi Linier Sederhana

Analisis Regresi Linier (Linear Regression Analysis) adalah teknik statistika untuk membuat
model dan menyelidiki pengaruh antara satu atau beberapa variabel bebas (Independent
Variables) terhadap satu variabel tak bebas/ variabel respon (Dependent Variable).

Terdapat dua model regresi linier, yaitu :

1. Regresi Linier Sederhana : Analisis Regresi dengan satu variabel bebas.
2. Regresi Linier Berganda : Analisis regresi dengan dua atau lebih variabel bebas.

Pada Modul ini dibahas mengenai Regresi Linier Sederhana.

Selain untuk memprediksi nilai vaiabel tak bebas (Y), model atau persamaan regresi juga
dapat digunakan untuk mengetahui arah dan besarnya pengaruh variabel bebas (X) terhadap
variabel tak bebas (Y).

Analisis Regresi meliputi: a) pengumpulan data berpasangan, b) pencarian pola garis, c)

pendugaan persamaan / model regresi, d) interpretasi model dan parameter

Menurut Gujarati (2009), suatu model statistik dapat dikatakan sebagai model yang baik
apabila memenuhi beberapa kriteria berikut :
1. Parsemoni.
Suatu model tidak akan pernah dapat secara sempurna menangkap realitas sehingga
perlu dilakukan sedikit abstraksi atau penyederhanaan dalam pembuatan model.
Maksudnya, ketidakmampuan model dalam mencakup semua realitas yang ada
menjadikan kita harus berfokus membuat model khusus untuk menjelaskan realitas yang
menjadi tujuan penelitian saja.

2021 Analisis Data Biro Akademik dan Pembelajaran

2 Team Teaching Analisis Data http://www.widyatama.ac.id
2. Mempunyai identifikasi tinggi.
Artinya dengan data yang tersedia, parameter-parameter yang diestimasi memiliki nilai
yang unik (tunggal, berdiri sendiri) sehingga hanya akan ada satu parameter saja.

3. Keselarasan atau Goodness of fit.

Khusus untuk analisis regresi, keselarasan model artinya model dapat menerangkan
sebanyak mungkin variasi variabel tak bebas dengan menggunakan variabel bebas yang
digunakan. Oleh karena itu, suatu model dikatakan baik jika indikator pengukur kebaikan
model, yaitu adjusted R square, memiliki nilai yang tinggi.

Model Regresi Linier Sederhana

▪ Linier dalam parameter
▪ Sederhana = banyaknya variabel bebas (X) hanya satu
▪ Hubungan antara variabel bebas (X) dan variabel tak bebas (Y) dinyatakan dalam fungsi
linier
▪ Perubahan Y diasumsikan karena adanya perubahan X
▪ Model regresi linier sederhana (untuk populasi) :
Y = β0 + β1 X + ε
dimana :

0 dan 1 adalah parameter regresi

0 = intersep (intercept)
1 = koefisien kemiringan (slope)
 = residual / galat / error
Y = variabel tak bebas
X = variabel bebas

Contoh penerapan regresi linier sederhana :

Manajer sebuah perusahaan pengiriman paket menambah tenaga kerja tambahan ketika ada
permintaan jasa yang melebihi beban kerja ketiga pegawai tetapnya. Untuk mengecek
efektifnya penambahan tenaga kerja ini, manajer tersebut mencatat total output kerja pegawai
(banyaknya paket yang dikirim) pada periode waktu tertentu dengan berbagai banyaknya
pegawai.

2021 Analisis Data Biro Akademik dan Pembelajaran

3 Team Teaching Analisis Data http://www.widyatama.ac.id
Tujuan :
Menentukan besar dan arah hubungan linier antara variabel banyaknya pegawai dan variabel
banyaknya paket yang dikirim.
Variabel bebas (X) : Banyaknya pegawai
Variabel tak bebas (Y) : Banyaknya paket yang dikirim.

Interpretasi intersep (b0) dan koefisien kemiringan (b1)

• b0 adalah nilai dugaan rata-rata Y ketika X bernilai nol (jika X = 0 dalam selang atau interval
pengamatan).
• b1 adalah nilai dugaan perubahan rata-rata Y (nilai harapan Y) jika X berubah satu satuan.

2021 Analisis Data Biro Akademik dan Pembelajaran

4 Team Teaching Analisis Data http://www.widyatama.ac.id
Asumsi Model Regresi Linier
Asumsi yang harus terpenuhi dalam analisis regresi linier sederhana (Gujarati, 2009) adalah:
• Residual (εi) merupakan variabel acak yang menyebar Normal (asumsi normalitas).

• Residual memiliki varians (σ2) konstan, artinya terdapat kehomogenan varians residual
(asumsi tidak terdapat heteroskedastisitas)
• Residual tidak berkorelasi antara satu dengan yang lainnya, dengan kata lain antar residual
saling bebas (asumsi tidak terdapat autokorelasi).

Pengujian koefisien Regresi

Langkah-langkah pengujian koefisien regresi:
1. Hipotesis:
H0 :  = 0 (koefisien regresi tidak signifikan)

H1 :   0 (koefisien regresi signifikan)

2. Taraf nyata (level of significance) yang digunakan.

3. Rumus:
b
t=
sb
dimana:
b = koefisien regresi pada persamaan regresi sederhana
se
sb =
J XX

Y 2 − a.(Y ) − b.(XY )
se =
n−2
(X ) 2
J XX = X − 2
n
4. Kriteria uji:
Ho ditolak jika t  t / 2 ;n − 2 atau t  −t / 2 ;n − 2 (gunakan Tabel t)

5. Perhitungan
6. Kesimpulan

2021 Analisis Data Biro Akademik dan Pembelajaran

5 Team Teaching Analisis Data http://www.widyatama.ac.id
Pengambilan keputusan dalam uji koefisien regresi dapat dilakukan dengan dua cara, yaitu :
a). membandingkan nilai t hitung dengan t tabel.
Jika nilai t hitung > nilai t tabel, atau nilai t hitung < – nilai t tabel,
artinya variabel bebas berpengaruh terhadap variabel tak bebas.

b) membandingkan nilai signifikansi (Sig.) dengan tingkat signifikansi yang digunakan

(misalnya 0,05).

Jika nilai Sig. < 0,05, artinya variabel bebas berpengaruh signifikan terhadap variabel tak
bebas.
Jika nilai Sig. > 0,05, artinya variabel bebas tidak berpengaruh signifikan terhadap variabel
tak bebas.

Analisis Regresi Linier Sederhana Dengan Menggunakan SPSS

Langkah-langkahnya sebagai berikut :

1. Input data
File > Open data
Masukan data ke dalam program SPSS.
Pada Variable View, sesuaikan Type, Decimals, dan Measure jika diperlukan.
2. Klik Menu Analyze > Regression > Linear
Masukkan variabel tak bebas pada bidang Dependent, dan variabel bebas pada bidang
Independent(s)
3. Klik Statistics, pilih Estimates, Model fit, R squared change, Descriptives > Continue
4. Klik Plots,
Masukkan ZRESID ke Y dan ZPRED ke X > Continue
5. Klik Save, pilih Unstandardized pada bagian Residuals
6. Continue > OK.

Contoh :
Dari 15 agen diperoleh data Penjualan (dalam juta rupiah) dan Biaya Promosi (dalam juta
rupiah) yang telah disimpan dalam bentuk file Excel. Berdasarkan kedua variabel tersebut
akan dilakukan analisis regresi sederhana dengan menggunakan SPSS.
Pada contoh ini, dalam pengolahan data menggunakan SPSS, variabel Biaya Promosi
dinyatakan oleh Promosi.

2021 Analisis Data Biro Akademik dan Pembelajaran

6 Team Teaching Analisis Data http://www.widyatama.ac.id
Langkah-langkahnya sebagai berikut :
1. Buka data pada SPSS

Selanjutnya untuk melihat tampilan variabel, Klik Variable View.

Pada Measure, pilih Scale untuk variabel Penjualan dan Promosi.

2021 Analisis Data Biro Akademik dan Pembelajaran

7 Team Teaching Analisis Data http://www.widyatama.ac.id
2. Klik Analyze > Regression > Linear

Masukkan variabel Penjualan ke bidang Dependent dan variabel Promosi ke bidang

Independent(s).

3. Klik Statistics :
Pada Regression Coefficients, pilih Estimates, Model fit, R squared change, Descriptives
Pada Residuals, pilih Durbin Watson
> Continue

2021 Analisis Data Biro Akademik dan Pembelajaran

8 Team Teaching Analisis Data http://www.widyatama.ac.id
4. Klik Plots :
Masukkan ZRESID ke Y dan ZPRED ke X > Continue

2021 Analisis Data Biro Akademik dan Pembelajaran

9 Team Teaching Analisis Data http://www.widyatama.ac.id
5. Klik Save:
Pilih (checklist) Unstandardized pada bagian Residuals

Klik Continue, dan Klik OK

Output SPSS dan Analisis

▪ Statistika deskriptif :

Descriptive Statistics
Mean Std. Deviation N
Penjualan 246.40 41.113 15
Promosi 35.53 10.888 15

1) Rata-rata Penjualan dari 15 agen adalah sebesar Rp 246,40 juta dengan deviasi
standar Rp 41,11 juta.
2) Rata-rata Biaya Promosi dari 15 agen adalah sebesar Rp 34,67 juta dengan deviasi
standar deviasi Rp 9,68 juta.

2021 Analisis Data Biro Akademik dan Pembelajaran

10 Team Teaching Analisis Data http://www.widyatama.ac.id
▪ Korelasi

Correlations
Penjualan Promosi
Penjualan 1.000 .971
Pearson Correlation
Promosi .971 1.000
Penjualan . .000
Sig. (1-tailed)
Promosi .000 .
Penjualan 15 15
N
Promosi 15 15

1) Koefisien korelasi antara variabel Penjualan dengan Biaya Promosi sebesar 0,971.
Hal ini menunjukkan hubungan yang sangat kuat, dengan arah hubungan yang positif.
Semakin besar biaya promosi, semakin meningkat penjualan.

2) Tingkat signifikansi koefisien korelasi sebesar 0,000 < 0,05

artinya hubungan Penjualan dan Biaya Promosi signifikan.

▪ Uji Kesesuaian Model Regresi (Uji F)

Uji kesesuaian model (uji kelayakan model) atau yang lebih populer disebut sebagai uji F
(ada juga yang menyebutnya sebagai uji simultan model) merupakan tahapan awal
mengidentifikasi model regresi yang diestimasi layak digunakan atau tidak. Layak disini
maksudnya adalah model regresi tersebut layak digunakan untuk menjelaskan pengaruh
variabel bebas terhadap variabel tak bebas. Nama uji ini disebut sebagai uji F, karena
mengikuti distribusi F yang kriteria pengujiannya seperti One Way Anova.

Pengunaan software SPSS memudahkan penarikan kesimpulan dalam uji ini. Apabila
nilai prob. F hitung (ouput SPSS ditunjukkan pada kolom Sig.) lebih kecil dari tingkat ,05
(tingkat signifikansi yang telah ditentukan) maka dapat dikatakan bahwa model regresi
yang diestimasi layak.

Hasil uji F dapat dilihat pada tabel ANOVAa berikut ini.

Nilai prob. F hitung terlihat pada kolom terakhir (Sig.)

2021 Analisis Data Biro Akademik dan Pembelajaran

11 Team Teaching Analisis Data http://www.widyatama.ac.id
 ANOVAa
Model Sum of df Mean Square F Sig.
Squares
Regression 22307.675 1 22307.675 213.876 .000b
1 Residual 1355.925 13 104.302
Total 23663.600 14
a. Dependent Variable: Penjualan
b. Predictors: (Constant), Promosi

Nilai Sig. pada tabel di atas sebesar 0,000 < 0,05 (tingkat signifikansi yang digunakan).
Dapat disimpulkan bahwa model regresi linier layak digunakan untuk menjelaskan
pengaruh Biaya Promosi terhadap Penjualan.

▪ Uji Koefisien Regresi (Uji t)

Uji t dalam regresi linier dimaksudkan untuk menguji apakah parameter (koefisien regresi
dan konstanta) untuk mengestimasi persamaan/model regresi linier sudah merupakan
parameter yang tepat atau belum. Dengan kata lain, apakah parameter tersebut mampu
menjelaskan perilaku variabel bebas dalam mempengaruhi variabel terikatnya. Parameter
yang diestimasi dalam regresi linier meliputi intersep (konstanta) dan slope (koefisien
dalam persamaan linier). Pada modul ini, Uji t difokuskan pada parameter slope (koefisien
regresi) saja.
Apabila nilai prob. t hitung (ouput SPSS ditunjukkan pada kolom Sig.) lebih kecil dari
tingkat signifikansi 0,05 (yang telah ditentukan) maka dapat dikatakan bahwa variabel
bebas berpengaruh signifikan terhadap variabel tak bebas.

Coefficientsa
Model Unstandardized Coefficients Standardized t Sig.
Coefficients
B Std. Error Beta
(Constant) 116.130 9.290 12.501 .000
1
Promosi 3.666 .251 .971 14.624 .000
a. Dependent Variable: Penjualan

2021 Analisis Data Biro Akademik dan Pembelajaran

12 Team Teaching Analisis Data http://www.widyatama.ac.id
 Untuk mengambil keputusan tersebut dapat digunakan dua cara:
a. Membandingkan nilai Sig. dengan taraf nyata (taraf signifikansi) yang digunakan.
Pada tabel tersebut diperoleh nilai sig. sebesar 0,000 < 0,05 (taraf signifikansi yang
digunakan). Dapat disimpulkan bahwa variabel Biaya Promosi berpengaruh siginifikan
terhadap variabel Penjualan.

b. Membandingan t hitung dengan t tabel.

Nilai t hitung yaitu 14,624 lebih besar daripada 2,160 (nilai t tabel).
Dapat disimpulkan variabel Biaya Promosi berpengaruh signifikan terhadap variabel
Penjualan..

Ket:
Dengan taraf signifikansi 0,05 dan derajat bebas n – 2 = 15 – 2 = 13,
niilai t tabel pada uji dua pihak adalah 2,160.

▪ Koefisien Determinasi
Koefisien determinasi menjelaskan variasi pengaruh variabel bebas terhadap variabel tak
bebas. Dapat pula dikatakan sebagai proporsi pengaruh variabel bebas terhadap variabel
tak bebas. Nilai koefisien determinasi dapat diukur oleh nilai R Square atau Adjusted R
Square. Nilai R Square digunakan pada saat variabel bebas hanya 1 saja (biasa disebut
dengan Regresi Linier Sederhana), sedangkan Adjusted R Square digunakan pada saat
variabel bebas lebih dari satu.

Model Summaryb

Model R R Square Adjusted Std. Error of Change Statistics Durbin-

R Square the Estimate R Square F df1 df2 Sig. F Watson

Change Change Change

1 .971a .943 .938 10.213 .943 213.876 1 13 .000 2.164

a. Predictors: (Constant), Promosi

b. Dependent Variable: Penjualan

Nilai R Square = 0,943 artinya kontribusi variabel Biaya Promosi terhadap variabel
Penjualan sebesar 94,3%; sedangkan sisanya 5,7% dipengaruhi oleh variabel-variabel
lainnya yang tidak diteliti dalam penelitian tersebut. Dengan kata lain, sebesar 94,3%
variasi Penjualan dapat dijelaskan oleh variasi Biaya Promosi.

2021 Analisis Data Biro Akademik dan Pembelajaran

13 Team Teaching Analisis Data http://www.widyatama.ac.id
▪ Persamaan Regresi atau Model Regresi

Coefficientsa
Model Unstandardized Coefficients Standardized t Sig.
Coefficients
B Std. Error Beta
(Constant) 116.130 9.290 12.501 .000
1
Promosi 3.666 .251 .971 14.624 .000
a. Dependent Variable: Penjualan

Berdasarkan Tabel Coefficients di atas dapat diperhatikan kolom unstandardized

coefficients B, untuk menyusun persamaan regresi linier sederhana berikut ini:
Y = 116,130 + 3,666 X
dimana :
Y = Penjualan (juta rupiah)
X = Biaya Promosi (juta rupiah)

Koefisien regresi untuk Biaya Promosi sebesar 3,666.

Koefisien regresi bernilai positif, artinya pada saat Biaya Promosi naik maka Penjualan
juga akan mengalami kenaikan. Demikian pula pada saat Biaya Promosi turun, maka
Penjualan juga turun.
Kenaikan Biaya Promosi sebesar 1 juta rupiah akan meningkatkan Penjualan sebesar
3,666 juta rupiah.

2021 Analisis Data Biro Akademik dan Pembelajaran

14 Team Teaching Analisis Data http://www.widyatama.ac.id
▪ Uji Asumsi Klasik
Uji Normalitas
Untuk menguji asumsi normalitas:
Klik Analyze, pilih Nonparametric Tests > Legacy dialogs > 1- Sample K-S

Pada Test Variable List, pilih Res_1

Pada Test Distribution, pilih Normal > OK

2021 Analisis Data Biro Akademik dan Pembelajaran

15 Team Teaching Analisis Data http://www.widyatama.ac.id
 Output SPSS :

One-Sample Kolmogorov-Smirnov Test

Unstandardize
d Residual
N 15
Mean 0E-7
Normal Parametersa,b
Std. Deviation 9.84133212
Absolute .122
Most Extreme Differences Positive .103
Negative -.122
Kolmogorov-Smirnov Z .471
Asymp. Sig. (2-tailed) .979
a. Test distribution is Normal.
b. Calculated from data.

Nilai Asymp. Sig (2-tailed) = 0,979 > 0,05.

Dapat disimpulkan bahwa residual berdistribusi Normal.

Uji heteroskedastisitas
Langkah untuk menguji ada tidaknya heteroskedastisitas adalah :
Klik Transform,
Pada Target Variable, diisi Abs_RES
Pada Numeric Expression, diisi Abs(RES_1)
Pada layar data, akan muncul kolom Abs_RES.

2021 Analisis Data Biro Akademik dan Pembelajaran

16 Team Teaching Analisis Data http://www.widyatama.ac.id
 Klik Analyze > Regression > Linear

Pada bidang Dependent, masukkan Abs_RES

Pada Independents, masukkan variabel Promosi

2021 Analisis Data Biro Akademik dan Pembelajaran

17 Team Teaching Analisis Data http://www.widyatama.ac.id
 Klik Statistics,
Pada Regression Coefficient, pilih Estimates

Continue > OK

Output SPSS :
Coefficientsa
Model Unstandardized Coefficients Standardized t Sig.
Coefficients
B Std. Error Beta
(Constant) 15.874 4.565 3.477 .004
1
Promosi -.223 .123 -.449 -1.812 .093
a. Dependent Variable: Abs_RES

Nilai Sig. pada variabel Biaya Promosi = 0,93 > 0,05.

Dapat disimpulkan bahwa data tidak mengalami heteroskedastisitas.
Dengan kata lain, varians residual homogen.

2021 Analisis Data Biro Akademik dan Pembelajaran

18 Team Teaching Analisis Data http://www.widyatama.ac.id
 Uji Autokorelasi
Sebagaimana dijelaskan dalam Modul sebelumnya, asumsi autokorelasi terutama hanya
diujikan pada data yang bersifat time series (runtut waktu) atau data cross-sectional yang
memiliki pola urutan yang baku antar pengamatan.
Apabila pada contoh ini dilakukan uji autokorelasi, untuk mengetahui ada tidaknya
autokorelasi dapat dilihat dari nilai Durbin Watson pada output tabel Model Summary.

Apabila dU < DW < 4 –dU maka dapat disimpulkan bahwa residual saling bebas (tidak
terdapat autokorelasi). Nilai dU adalah batas atas pada tabel Durbin-Watson, sesuai
banyaknya pengamatan (n) dan taraf nyata yang digunakan.

Model Summaryb

Model R R Square Adjusted Std. Error of Change Statistics Durbin-

R Square the Estimate R Square F Change df1 df2 Sig. F Watson

Change Change

1 .971a .943 .938 10.213 .943 213.876 1 13 .000 2.164

a. Predictors: (Constant), Promosi

b. Dependent Variable: Penjualan

Dari Tabel Durbin Watson, pada taraf nyata 5% dengan n = 15 dan banyaknya variabel
bebas (k) = 1, diperoleh dL= 1,0770 dan dU = 1,3605.

DW = 2,164 berada diantara dU dan 4 – dU.

1,3605 < 2,164 < 4 – 1,3605
1,3605 < 2,164 < 2,6395
Dapat disimpulkan bahwa tidak terdapat autokorelasi.

2021 Analisis Data Biro Akademik dan Pembelajaran

19 Team Teaching Analisis Data http://www.widyatama.ac.id
DAFTAR PUSTAKA

[1] Lind, D.A., Marchal, W. G., Wathen, S. A. 2018. Statistical Techniques in Business &
Economics. Seventeenth Edition. New York: McGraw-Hill Education Paul A. Samuelson
& William D. Nordhaus, “Economics”, 19th ed 2009
[2] Richardson, Ronny. 2015. Business Applications of Multiple Regression. Second Edition.
New York: Business Expert Press.
[3] Keith, Timothy, Z. 2015. Multiple Regression & Beyond: An Introduction to Multiple
Regression and Structural Equation Modeling. 2nd Edition. New York: Routledge.
[4] Verma. J. P. 2013. Data Analysis in Management with SPSS Software. India: Springer
[5] Gujarati, D. N., Porter, D. C. 2009. Basic Econometrics. Fifth Edition. New York: McGraw-
Hill/Irwin.
[6] Taylor, J. K. 2004. Statistical Techniques for Data Analysis. Second Edition. Florida:
Chapman & Hall/CRC

2021 Analisis Data Biro Akademik dan Pembelajaran

20 Team Teaching Analisis Data http://www.widyatama.ac.id