BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Analisis regresi adalah pengujian hipotesis secara statistik terhadap
perkiraan model regresi linear sederhana yang diperoleh. Selain itu analisis
regersi berguna untuk mendapatkan pengaruh antar variabel prediktor terhadap
variabel kriteriumnya atau meramalkan pengaruh variabel prediktor terhadap
variabel kriteriumnya (U Khasanah, 2021).
Regresi linier merupakan suatu kajian dari hubungan antara satu variabel,
yaitu variabel yang diterangkan (the explained variabel) dengan satu atau lebih
variabel, yaitu variabel yang menerangkan (the explanatory). Apabila variabel
bebasnya hanya satu, maka analisis regresinya disebut dengan regresi sederhana.
Apabila variabel bebasnya lebih dari satu, maka analisis regresinya dikenal
dengan regresi linear berganda. Dikatakan berganda karena terdapat beberapa
variabel bebas yang mempengaruhi variabel tak bebas (IM Yuliara, 2016).
Istilah regresi (ramalan/taksiran) pertama kali diperkenalkan oleh Sir
Francis Galton pada tahun 1877 sehubungan dengan penelitiannya terhadap
tinggi manusia, yaitu antara tinggi anak dan tinggi orang tuanya. Pada
penelitiannya Galton mendapatkan bahwa tinggi anak dari orang tua yang tinggi
cenderung meningkat atau menurun dari berat rata-rata populasi. Garis yang
menunjukkan hubungan tersebut disebut garis regresi.
Pelaksanaan praktikum ini, kami akan menganalisis harga barang dan
harga perunit di TOKO UD AKMAL RIZKI apakah ada hubungan dan
ketergantungan harga dan harga perunit barang. Jumlah data yang diambil
adalah 10 harga barang dan harga perunit barang.

1.2 Rumusan Masalah

Adapun rumusan masalah dalam prakikum ini adalah sebagai beriku:

1. Bagaimana yang dimaksud dengan analisis regresi linier?

1
 2

2. Bagaimana hubungan fungsional antara variabel bebas dan variabel

terikat?
3. Bagaimana menginterpretasikan koefisien regresi dan korelasi?

1.3 Tujuan Masalah

Adapun tujuan dari Masalah ini adalah sebagai berikut:
1. Untuk mengetahui bagaimana yang dimaksud dengan fungsi
analisis regresi linier dan korelasi.
2. Untuk mengetahui bagaimana hubungan fungsional antara
variabel bebas dan variabel terikat.
3. Untuk mengetahui bagaimana menginterpretasikan koefisien regresi dan
kolerasi
4. Untuk mengetahui bagaimana perhitungan regresi linier sederhana

1.4 Batasan Masalah dan Asumsi

1.4.1 Batasan Masalah
Adapun yang menjadi Batasan masalah dari praktikum modul VI yaitu
tentang regresi linier sederhana ini adalah sebagai berikut:
1. Data yang diambil sebagai sampel sebanyak 10 sampel.
2. Data di ambil dari harga barang dan harga perunit barang di TOKO UD
AKMAL RIZKI
3. Data yang dijadikan sampel yaitu harga barang dan harga barang perunit
di TOKO UD AKMAL RIZKI

1.4.1 Asumsi
Adapun yang menjadi asumsi pada praktikum modul VI ini adalah sebagai
berikut:
1. Operator tahu harga barang dan harga barang perunit tanpa bertanya
kepada pemilik.
2. Operaor tahu harga harga barang dan harga perunit yang diambil datanya
tanpa bertanya kepada pemilik toko.
3. Operator yang mengambil data dalam keadaan sehat jasmani dan rohani.
 3

1.5 Sistematika Penulisan

Adapun sistematika penulisan dalam praktikum modul VI ini adalah
sebagai berikut:
BAB I PENDAHULUAN
Bab ini berisikan tentang latar belakang, rumusan masalah, tujuan
praktikum, batasan masalah dan asumsi, dan sistematika penulisan.
BAB II LANDASAN TEORI
Bab ini berisikan tentang pengertian regresi, regresi dan korelasi,
korelasi, regresi linier sederhana, sifat-sifat garis regresi linier, koefisien
determinasi dan uji signifikan parameter individual (uji statistik t).
BAB III PENGUMPULA DAN PENGOLAHAN DATA
Bab ini beriskan tentang pengumpulan data, pengolahan data secara
perhitungan manual, dan pengolahan data dengan SPSS.
BAB IV ANALISIS DAN EVALUASI DATA
Bab ini berisikan tentang analisis data dan evaluasi.
BAB V KESIMPULAN DAN SARAN
Bab ini berisikan tentang kesimpulan dan saran.
4
 BAB II
LANDASAN TEORI

2.1 Pengertian Regresi

Regresi adalah salah satu teknik data mining yang sering digunakan
untuk mengetahui bagaimana tingkat hubungan antara variabel dependent atau
akibat dapat diprediksikan melalui variabel independent atau penyebab, secara
individual (Muriyatmoko, 2018). Istilah "regresi" pertama kali diperkenalkan
oleh Sir Francis Galton pada tahun 1886. Galton menemukan adanya tendensi
bahwa orang tua yang memiliki tubuh tinggi, memiliki anak-anak yang tinggi
pula dan orang tua yang pendek memiliki anak - anak yang pendek pula. Kendati
demikian, ia mengamati ada kecenderungan bahwa tinggi anak bergerak menuju
rata-rata tinggi populasi secara keseluruhan. Dengan kata lain ketinggian anak
yang amat tinggi atau orang tua yang amat pendek cenderung bergerak ke arah
rata-rata tinggi populasi. Inilah yang disebut hukum Galton mengenai regresi
universal. Dalam bahasa Galton ia menyebutnya sebagai regresi menuju
medikritas.
Metode untuk menentukan perubahan suatu kurva kecendrungan yang
dikenal juga metode regresi. Metode regresi digunakan dengan perhitungan yang
cukup sederhana dan hasil yang baik. Metode regresi ini mengelola data masa
lampau yang sudah ada. Bila terdapat suatu data yang terdiri atas dua atau lebih
variabel, adalah sewajarnya untuk mempelajari cara bagaimana variabel-variabel
itu saling berhubungan dan saling mempengaruhi satu sama lain. Hubungan yang
didapat pada umumnya dinyatakan dalam bentuk persamaan matematik yang
menyatakan hubungan fungsional antara variabel-variabel. Studi yang
menyangkut masalah ini dikenal dengan analisis regresi.
Analisis regresi bertujuan untuk, pertama, mengestimasi atau menduga
suatu hubungan antara variabel – variabel ekonomi, misalnya Y = f(x). Kedua,
melakukan peramalan atau prediksi nilai variabel terikat (tidak bebas) atau
dependent variabel berdasarkan nilai variabel terkait (variabel
independent/bebas). Penetuan variabel mana yang bebas dan mana yang terkait
dalam beberapa hal tidak mudah dilaksanakan.

5
 6

2.2 Regresi dan Korelasi

Analisis korelasi bertujuan untuk mengukur kekuatan asosiasi
(hubungan) linear antara dua variabel. Korelasi tidak menunjukkan hubungan
fungsional atau dengan kata lain, analisis korelasi tidak membedakan antara
variabel dependent dengan variabel independent. Dalam analisis regresi, selain
mengukur kekuatan hubungan antara dua variabel atau lebih, juga menunjukkan
arah hubungan antara variabel dependent dengan variabel independent. Variabel
dependent diasumsikan random/stokastik, yang berarti mempunyai distribusi
probabilistik. Variabel independent/bebas diasumsikan memiliki nilai tetap
(dalam pengambilan sampel yang berulang). Teknik estimasi variabel dependent
yang melandasi analisis regresi disebut Ordinary Least Squares (pangkat kuadrat
terkecil biasa). Metode OLS diperkenalkan pertama kali oleh Carl Friedrich
Gauss, seorang ahli matematika dari Jerman. Inti metode OLS adalah
mengestimasi suatu garis regresi dengan jalan meminimalkan jumlah dari
kuadrat kesalahan setiap observasi terhadap garis tersebut.

2.3 Korelasi
Korelasi merupakan teknik analisis yang di dalamnya termasuk, teknik
pengukuran asosiasi atau hubungan (measures of association). Pengukuran
asosiasi merupakan istilah umum yang mengacu pada sekelompok teknik dalam
statistik bivariat, yang digunakan untuk mengukur kekuatan hubungan antara dua
variabel (Jonathan Sarwono, 2017).
Korelasi adalah metode untuk mengetahui tingkat keeratan hubungan
antara dua peubah atau lebih yang digambarkan oleh besarnya korelasi.
Koefisien korelasi adalah koefisien yang menggambarkan tingkat keeratan
hubungan antar dua peubah atau lebih. Besaran dari koefisien korelasi tidak
menggambarkan hubungan sebab akibat antara dua peubah (lebih) tapi semata-
mata menggambarkan keterlibatan linier antar peubah. Nilai koefisien korelasi
berkisar antara (-1) sampai 1.
1. Nilai -1 berarti terdapat hubungan negatif (berkebalikan) yang sempurna.
2. Nilai 0 berarti tidak terdapat hubungan sama sekali.
 7

3. Nilai 1 berarti terdapat hubungan positif yang sempurna.

2.4 Regresi Linier Sederhana

Tujuan utama materi ini adalah bagaimana menghitung suatu perkiraan
atau persamaan regresi yang akan menjelaskan hubungan antara dua variabel.
Regresi merupakan suatu alat ukur yang juga digunakan untuk mengukur ada
atau tidaknya korelasi antar variabelnya. Istilah regresi itu sendiri berarti ramalan
atau taksiran. Persamaan yang digunakan untuk mendapatkan garis regresi pada
data diagram pencar disebut persamaan regresi.
Untuk menempatkan garis regresi pada data yang diperoleh maka
digunakan metode kuadrat terkecil, sehingga bentuk persamaan regresi adalah
sebagai berikut:
𝑌̂= a + b X ............................................................................................. Pers (2.1)
Dimana:
Y : Variabel terikat

A : Intersep
B : Koefisian regrsi
X : Variabel bebas
Kesamaan di antara garis regresi dan garis tren tidak dapat berakhir
dengan persamaan garis lurus. Garis regresi (seperti garis tren dan nilai tengah
aritmatika) memiliki dua sifat matematis yaitu ∑(Y – 𝑌̂) = 0 dan ∑ (Y – 𝑌̂)2 =
nilai terkecil atau terendah. Dengan perkataan lain, garis regresi akan ditempatkan
pada data dalam diagram sedemikian rupa sehingga penyimpangan (perbedaan)
positif titik-titik terhadap titik-titik pencar di atas garis akan mengimbangi
penyimpangan negatif
titik-titik pencar yang terletak di bawah garis, sehingga hasil
pinyimpangan keseluruhan titik-titik terhadap garis lurus adalah nol.

Untuk tujuan diatas, perhitungan analisis regresi dapat dipermudah dengan

menggunakan rumus sebagai berikut :

b= Pers (2.2)
a= ..................................................................................Pers (2.3)
n
 8

Dimana:
n = jumlah titik (pasangan pengamatan (x,y))
𝑥̅ = mean variabel x
𝑦̅ = mean variabel y

2.5 Sifat - Sifat Garis Regresi Linear

Terdapat dua sifat yang harus dipenuhi sebuah garis lurus untuk dapat
menjadi garis regresi yang cocok (fit) dengan titik-titik data pada diagram
pencar, yaitu :
1. Jumlah simpangan (deviasi) positif dari titik-titik yang terbesar di atas
garis regresi sama dengan (saling meniadakan) jumlah simpangan negatif
dari titik-titik yang terbesar di bawah garis regresi. Dengan kata lain:
∆y = ∑(y-ŷ)=0 .........................................................................Pers (2.4)
2. Kuadrat dari simpangan-simpangan mencapai nilai minimum (last square
value of deviation). Sehingga:

(∆y)2= ∑(y-ŷ)2= minimum ......................................................Pers (2.5)

Dari kedua sifat tersebut metode regresi ini disebut juga disebut sebagai
metode least square. Dapat dilihat pada gambar 2.1 dan 2.2 sebagai berikut:

1. Bentuk Diagram Pencar

 9

Ga
mbar 2.1 Beberapa bentuk diagram pencar

2. Garis Regresi linear pada diagram pencar

Gambar 2.2 Garis Regresi Linier

2.5.1 Koefisien Determinasi

Koefisien determinasi (R2) pada intinya mengukur seberapa jauh
kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisien
determinasi adalah antara nol dan satu. Nilai R 2 = yang kecil berarti kemampuan
variabel-variabel independen dalam menjelaskan variasi variabel dependen amat
terbatas. Nilai yang mendekati satu berarti variabel-variabel independen
memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi
variabel dependen. Secara umum koefisien determinasi untuk data silang
 10

(crossection) relatif rendah karena adanya variasi yang besar antara masing-
rnasing pengamatan, sedangkan untuk data runtun waktu (time series) biasanya
mempunyai nilai koefisien determinasi yang tinggi.
Satu hal yang perlu dicatat adalah masalah regresi lancung (spurious
regression). Insukindro menekankan bahwa koefisien determinasi hanyalah salah
satu dan bukan satu-satunva kriteria memilih model yang baik. Alasannya bila
suatu estimasi regresi linear menghasilkan koefisien determinasi yang tinggi,
tetapi tidak konsisten dengan teori ekonomika yang dipilih oleh peneliti, atau
tidak lolos dari uji asumsi klasik, maka model tersebut bukanlah model penaksir
yang baik dan seharusnya tidak dipilih menjadi model empiris.
Kelemahan mendasar penggunaan koefisien determinasi adalah bias
terhadap jumlah variabel independen yang dimasukkan kedalam model. Setiap
tambahan satu variabel independen, maka R2 pasti meningkat tidak perduli apakah
variabel tersebut berpengaruh secara signifikan terhadap variabel dependen. Oleh
karena itu banyak peneliti menganjurkan untuk menggunakan nilai adjusted R2
pada saat mengevaluasi mana model regresi terbaik. Tidak seperti R2, nilai
adjusted R2 dapat naik atau turun apabila satu variabel independen ditambahkan
kedalam model.
Dalam kenyataan nilai adjusted R2 dapat bernilai negatif, walaupun yang
dikehendaki harus bernilai positif. Menurut Gujarati (2003) jika dalam uji empiris
didapat nilai adjusted R2 negatif, maka nilai adjusted R2 dianggap bernilai nol.
Secara matematis jika nilai R2 = 1, maka Adjusted R2 = R2= I sedangkan jika nilai
R2 = 0, maka adjusted R2 = (1 - k)/(n - k). Jika k > 1 , maka adjusted R = akan
bernilai negatif.

2.5.2 Uji Signifikan Parameter Individual (Uji Statistik t)

Uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu

variabel penjelas/independent secara individual dalam menerangkan variasi
variabel dependent. Hipotesis nol (H0) yang hendak diuji adalah apakah suatu
parameter (bi) sama dengan nol, atau Ho:bi = 0. Artinya apakah suatu variabel
independent bukan merupakan penjelas yang signifikan terhadap variabel
dependent (Duwi, 2017).
 11

Hipotesis alternatifnya (H1) parameter suatu variabel tidak sama dengan

nol, atau H1:bi = 0. Artinya, variabel tersebut merupakan penjelas yang
signifikan terhadap variabel dependen. Untuk menguji signifikasi pengaruh
variabel x terhdap y digunakan uji t dengan rumus sebagai berikut :
1. Rumus t hitung :

t=r n-2
............................................................................................. Pers (2.6)
2. Rumus t tabel :
t α df (n-2) ...................................................................................Pers (2.7)

Dimana :
t = t hitung uji signifikasi
r = koefisien korelasi

n = jumlah periode

Dengan kriteria pengujian sebagai

berikut : H0 di e im p il es ≥ el
H0 di ol k p il es ≤ el
12