Analisis Regresi

untuk
Peramalan

Kelompok 1 Teknik Proyeksi Bisnis

 Anggota Kelompok

200810201234 200810201242 210810201153

Putri Dwi Mauliana Nikita Kurnia Sari Cantika Ulya
Luthfiatur Rohmah

220810201275 220810201289
Novita Whidatul Imania
Affan Maulana Hamid
Konsep Dasar Analisis Regresi Linier
● Menurut Gujarati (2004, 18), analisis regresi linier dimaknai
sebagai suatu kajian dependensi (ketergantungan) suatu
variable, yang disebut variabel dependen, terhadap satu atau
lebih variabel independen untuk mengestimasi atau
memprediksi nilai variabel dependen.
● Secara sederhana, variabel dependen adalah variabel yang
dipengaruhi atau terikat (Yt), sedangkan variabel independen
adalah variabel yang mempengaruhi atau mengikat (Xt).
● Analisis regresi linier dibagi menjadi 2 macam, yaitu simple
linear regression analysis dan multiple linear regression
analysis.
 Analisis Regresi Linier
dengan Data Runtut Waktu

Pada dasarnya, jenis data yang digunakan dalam peramalan adalah data runtut
waktu (time series data). Sehingga data yang digunakan pada variabel dependen
maupun independen dalam mengestimasi atau mengembangkan model regresi linier
adalah data runtut waktu (time series data).
Beberapa model regresi linier dengan data runtut waktu (time series data) pada
peramalan diantaranya analisis tren sederhana, analisis regresi linier sederhana,
analaisis linier berganda, dan auto-regressive.
 Analisis Tren Sederhana
● Secara matematik, model regresi yang dihasilkan sebagai berikut :
Dimana, = variabel dependen yang akan diprediksi
= indeks waktu (1,2,3,...,dst)
● Terdapat beberapa luaran analisis yang perlu dijadikan dasar apakah model yang dihasilkan dapat
dikategorikan sebagai model yang dapat digunakan dalam peramalan, misalnya pada regression
statistics, ANOVA, dan hasil uji t
● Pada regression statistics, terdapat 2 parameter penting yang perlu dipahami yaitu R square (R2)
dan standard error.
● Luaran pada panel ANNOVA menjelaskan mengenai hasil uji F dalam analisis regresi linier. Pada
model tren sederhana, hasil uji F tidak perlu diinterprestasikan
● Luaran berikutnya berkaitan dengan nilai koefisien yang diestimasi dan hasil uji t. Hasil uji t dapat
disimpulkan melalui kolom P-value. Jika diasumsikan bahwa koefisien regresi untuk variabel indeks
waktu bersifat signifikan, maka peramalam untuk periode t+1 dapat ditentukan dengan cara
menyisipkan nilai indeks waktu yang diramalkan dalam model tren sederhana.
Analisis Regresi Linier Berganda

Model regresi linear berganda dilukiskan dengan persamaan

sebagai berikut:
Y= α + β1 X1 + β 2X2 + β 2X2+ e

Y = Nilai yang diramalkan

α = konstanta
β 1 x1 + β 2 x2 = variable
e = error
Analisis Regresi Linier Berganda
Dengan Jeda
Dalam analisis regresi ini,variable dependen pada periode t
diregresikan dengan variable independent pada periode t-1.
Dengan menggunakan variable dependen yang digunakan
sebelumnya

Untuk mengestimasi model tersebut, database yang dianalisis

harus dimodifikasi. Observasi pertama pada variable
dependen dibuang dan observasi terakhir pada kedua variable
independent dibuang.
 Analisis Auto-Regressive
Analisis meregresikan suatu variable tertentu pada periode t terhadap variable yang sama,
sebagai variable independent, pada periode t-1. Atau,

𝑌𝑡 = 𝑌𝑡−1 , 𝑌𝑡−2, … , 𝑌𝑡−𝑘

model auto-regression dengan satu variable independen lag-1 adalah model regresi linier
sederhana sedangkan model auto-regressive dengan dua atau lebih variable lag-1, lag-2 dan
seterusnya terkategori sebagai model regresi linier berganda.

Untuk mengestimasi model auto-regressive, database yang diperlukan harus dipersiapkan

terlebih dahulu. Dalam hal ini, untuk model auto-regression ordo dua, database harus
dimodifikasi sehingga tiga variable yang dibutuhkan, yaitu A pada periode t, B pada periode t-1,
dan C pada periode t-2.
Uji Asumsi
Klasik
 Uji Multikolinieritas

● Multikolinieritas adalah hubungan linear antara variabel independent

yang satu dengan variabel independent yang lainnya dalam suatu
model.
● Uji multikolinieritas hanya diujikan pada model agresif berganda saja
● Salah satu cara untuk mendeteksi dengan auxillary regression. Auxillary
regression adalah model regresi yang diturunkan dari model regresi
utama
● cara untuk mengatasi multikolinieritas yaitu membiarkan saja atau
menghapus salah satu variabel independent yang kolinier
 Uji Homoskedastisitas
• Homoskedastisitas adalah kondisi dimana varians dari residual dari suatu model regresi
adalah sama
• Model regresi yang mempunyai residual yang memiliki varians yang heterogen adalah
model yang melanggar asusmsi homoskedastisitas
• metode untuk mendeteksi yaitu Glejser test. Uji Glejser dilakukan dengan mengestimasi
model regresi dengan spesifikasi sebagai berikut:

|𝑒𝑡 | = 𝑓 (𝑋1𝑡 , 𝑋2𝑡 , . . . . . , 𝑋𝑘𝑡 )

 Uji Autokorelasi
• Autokorelasi atau korelasi serial adalah korelasi antara residual pada periode t dan
residual pada periode t-1
• salah satu metode untuk mengoreksi digunakan Durbin-Watson test dengan formula.
• Terkait dengan jumlah variabel independent dan jumlah data dalam model perlu
ditentukan dengan cara melihat Tabel Durbin-Watson.

Kriteria Durbin-Watson sebagai berikut

Contoh
Soal
Seorang peneliti ingin mengetahui pengaruh minat belajar (X) terhadap prestasi belajar
Statistika Bisnis (Y). Data penelitian berjumlah 12 mahasiswa manajemen data secara
lengkap dapat dilihat pada table dibawah ini :

Pertanyaan:
1. Temukan persamaan regresi linear sederhana
2. Buktikan apakah ada pengaruh minat belajar terhadap prestasi belajar
Pembahasan

1. Membuat hipotesis penelitian H0 dan H1

H0 = tidak ada pengaruh motivasi dan minat belajar terhadap prestasi belajar Statisika
Bisnis
H1 = ada pengaruh motivasi dan minat belajar terhadap prestasi belajar Statistika Bisnis

2. Membuat hipotesis statistic

H0: β = 0
H1 : β≠ 0

3. Menentukan taraf signifikasi α = 5%

4. Menentukan uji yang digunakan regresi linear sederhana

5. Kaidah pengujian
Jika t table > t tabel, maka H0 ditolak
Jika – t tabel ≤ t hitung≤ t tabel, maka H0 diterima
Pembahasan

6. Menentukan persamaan regresi

a. Membuat table penolong

b. Menghitung konstanta a dan b

Pembahasan

7. Menentukan nilai koefisien korelasi ( r )

a. Menentukan table penolong
Nilai koefisiensi korelasi ( r )

Jadi, hubungan antara minat belajar (x) dengan prestasi belajar (y) Statistika Bisnis sebesar
r=0,816 dengan kriteria tingkat hubungan “kuat”positif. Hubungan bersifat positif artinya
terjadi hubungan searah antara minat belajar (x) dengan prestasi belajar (y) Statistika
Bisnis. Bila minat belajar mahasiswa tinggi, maka prestasi belajar (y) Statistika Bisnis
mahasiswa meningkat.
Pembahasan

8. Menghitung ttabel dan t tabel

a. Menghitung t table

b. Menghitung nilai t tabel

T tabel: taraf signifikansi α = 5%, 0,05 karena uji 2 pihak (two tails),
maka nilai α/2 = 0.05/2 = 0.025
Db = n-2 = 12-2 = 10
Sehingga t (a,db) = t (0,025,10) = 2,228
9. Menarik kesimpulan
t hitung = 4,463
t tabel = 2.228
thitung > dari t tabel, maka H0 ditolak artinya ada pengaruh minat belajar terhadap
prestasi belajar Statistika Bisnis.
Thank You