Mahfudhotin, M.Si.

J. REGRESI LINIER SEDERHANA

A. TUJUAN
1. Mencari model hubungan antara dua peubah
2. Mempelajari hubungan linier antara dua peubah tersebut
3. Melihatsifat-sifat residu dari model yang diperoleh
Wesd
B. PENDAHULUAN
Saat menghadapi berbagai data kita sering berhadapan dengan persoalan yang
menyangkut sekelompok peubah bila diketahui bahwa di antara peubah tersebut
terdapat suatu hubungan alamiah. Misal, sering kali dalam suatu eksperimen
dilakukan pengukuran dua peubah yaitu tekanan dan temperatur. Distribusi yang
berkaitan dengan dua peubah dinamakan distribusi bivariat.

C. REGRESI LINIER
Regresi mempelajari hubungan antara sekelompok peubah. Dalam modul ini hanya
dipelajari hubungan antara dua peubah. Hubungan antara dua peubah tersebut
dicocokkan dengan data percobaan, ditandai dengan persamaan prediksi yang
dinamakan persamaan regresi linier. Misalkan suatu himpunan data dari kedua
peubah tersebut dinotasikan sebagai {(Xi,Yi): i = 1,2, … ,n}, persamaan regresi linier
ditulis sebagai berikut:
yi =  0 + 1 xi +  i
dengan y adalah peubah tak bebas (respon), x adalah peubah bebas,  0 dan 1
parameter regresi linier,  adalah galat atau error. Yang dimaksud linierdisini adalah
peubah tak bebas (y) merupakan fungsi linier dari parameter-parameter persamaan
regresi, bukan dari peubah bebasnya (x). Untuk menentukan persamaan tersebut,
terlebih dahulu harus diketahui nilai  0 dan 1 , yaitu ditaksir dengan model regresi
taksiran sebagai berikut :
yˆi = ˆ0 + ˆ1 xi
Dengan metode kuadrat terkecil (yaitu meminimumkan  i
2
), diperoleh nilai ̂ 0 dan
̂1 :
n
 n  n 
n xi yi −   xi   yi 
ˆ1 = i =1  i =1  i =1 
2
n
 n 
n xi −   xi 
2

i =1  i =1 
1 n 1 n
 0 =  yi − 1  xi
ˆ ˆ atau ˆ0 = y − ˆ1 x
n i =1 n i =1

Asumsi-asumsi yang digunakan dalam regresi linier :

1. Peubah bebas (x) tidak berdistribusi dan ditetapkan.
 Mahfudhotin, M.Si.

2.  (galat) berdistribusi N (0,  2 ) dan acak; akibatnya peubah tak bebas atau y
berdistribusi normal juga.

Kecocokan Model Regresi

Kecocokan model regresi linier dengan data percobaan dapat diukur melalui R 2 yang
dirumuskan :
n

JKR  ( yˆ − y )
i
2

R2 = = i =1
n
, 0  R2  1
 ( y − y)
JKT 2
i
i =1

dengan JKR adalah jumlah kuadrat regresi dan JKT adalah jumlah kuadrat total.

Nilai R 2 biasa dinyatakan dalam persen. Semakin dekat R 2 dengan 1 maka model
semakin cocok dengan data, dan sebaliknya, makin dekat R 2 dengan 0 maka model
tidak cocok dengan data.
Regresi linier dapat juga dipakai sebagai alat prediksi. Setelah kita mempunyai
persamaan regresinya maka kita dapat memprediksi nilai y untuk suatu nilai x
tertentu.

Pengujian Koefisien Persamaan Regresi

Setelah diketahui besarnya nilai R 2 dari suatu model maka langkah berikutnya adalah
menguji apakah koefisien regresi model cukup berarti (tidak dapat diabaikan atau
nilainya dianggap tidak nol) atau tidak berarti (dapat diabaikan atau nilainya nol).
Untuk mengambil keputusan apakah koefisien regresi nol atau tidak, Anda dapat
menggunakan uji t-student atau nilai P (P-value). H0 bahwa koefisien regresi sama
dengan nol ditolak jika nilai P kurang dari tingkat signifikansi. Untuk lebih jelasnya
tanyakan kepada asisten.

Pelinieran Data

Pada penjelasan di atas, dibahas tentang pembuatan model regresi yang mengandung
satu peubah bebas. Melalui perumusan modelnya, dapat dianggap bahwa x dan y
masuk dalam model bentuk linier. Namun, sering kali dalam pembuatan suatu model
regresi linier, ditemukan pasangan data yang sebenarnya tak linier. Jika pasangan
data yang akan diolah “diduga” tak linier, sedangkan perumusan model datanya sangat
diperlukan, maka langkah awal yang dilakukan adalah melinierkan data. Pada
pelinieran data, yang dilakukan adalah transformasi data sehingga dapat dibuat suatu
model regresi linear danprediksi model tersebut. Misal diketahui hubungan pasangan
 x
data x dan y adalah y = 1e 0 . Makatransformasi yang sesuai adalah y = ln y .


Kemudian regresikan y  terhadap x.

Langkah-langkah untuk mencari persamaan regresi dalam SPSS sebagai

berikut:
1. Pilih menu Analyze→Regression→Linear
2. Masukkan variabel yang akan dicari persamaan regresinya.
Masukkan peubah tak bebas (y) sebagai dependent variable dan peubah bebas
(x) sebagai independent variable.
3. Klik OK
 Mahfudhotin, M.Si.

Contoh
Suatu penelitian diadakan oleh seorang pedagang eceran untuk menentukan hubungan
antara biaya iklan mingguan dengan penjualan. Datanya, dalam ribuan rupiah,
tercatat sebagai berikut :
Biayaiklan 40 20 25 20 30 50 40 20 50 40 25 50
Penjualan 385 400 395 365 475 440 490 420 560 525 480 510
Cari persamaan garis regresi untuk memprediksikan penjualan mingguan dari biaya
iklan.
Hasilnya adalah :
Model Summary
Change Statistics
Adjusted R Std. Error of R Square Sig. F
Model R R Square Square the Estimate Change F Change df1 df2 Change

1 .635a .403 .343 50.22570 .403 6.751 1 10 .027

a. Predictors: (Constant), Biaya_Iklan

b. Dependent Variable: Penjualan
ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 17030.044 1 17030.044 6.751 .027a

Residual 25226.206 10 2522.621

Total 42256.250 11

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients

Model B Std. Error Beta T Sig.

1 (Constant) 343.706 44.766 7.678 .000

Biaya_Iklan 3.221 1.240 .635 2.598 .027

a. Dependent Variable: Penjualan

Perhatikan output yang diperoleh. Pada tabel Coefficients diperoleh nilai konstanta
 0 (intercept) dan 1 , sehingga diperoleh persamaan regresi sebagai berikut :
y = 3,221x + 343,706
dengan x menyatakan biaya iklan dan y menyatakan penjualan mingguan.

• Perhatikan bahwa diperoleh nilai R 2 = 0,403 atau 40,3 %, artinya kecocokan model
dan data tidak baik.
• Langkah berikutnya adalah pengujian koefisien persamaan regresi.
H0 : koefisien  0 = 0 (koefisien  0 dapat diabaikan)
H1 : koefisien 0  0
Perhatikan table Coefficient di atas, nilai t hitung untuk uji koefisien  0 adalah
7,6778. Dengan langkah-langkah yang telah dijelaskan pada modul sebelumnya
maka dapat disimpulkan bahwa koefisien  0 tidak dapat diabaikan. Bagaimana
dengan koefisien 1 ? Lakukan hal yang sama.
 Mahfudhotin, M.Si.

D. TUGAS
1. Dalampenelitianmengenaibanyaknyacurahhujandanjumlahkotoranudara yang
terbawahujan, terkumpul data berikut :
Curahhujanharian,
4.3 4.5 5.9 5.6 6.1 5.2 3.8 2.1 7.5
x (0,01 cm)
Zarahterbawa, y
126 121 116 118 114 118 132 141 108
(mikrogram per m3)
a. Cari persamaan garis regresi untuk memprediksi zarah yang terbawa hujan
dari banyaknya curah hujan harian.
b. Berapa koefisien determinasi persamaan regresi yang diperoleh ( R 2 ).
c. Berapa Besar Korelasi Pearson dari kedua peubah acak tersebut.
d. Uji koefisien persamaan regresi.
e. Taksirbanyaknyazarah yang terbawahujanbilacurahhujan x = 4,8 satuan.