MATERI

ANALISIS REGRESI
Dosen Pengampu : Dr. Enny Keristiana Sinaga, S.Pd., M,Si.

Disusun Oleh:
MANAJEMEN KONSTRUKSI B

1. Bella Yuspita Tambunan (5233220068)

2. Ival Ardyansyah Gultom (5233520013)
3. Miranda Simbolon (5233220024)
4. Muhammad Rafa Rizqi Lubis (5231220001)
5. Refina Olivia Smamora (5232220001)

PRODI D4 MANAJEMEN KONSTRUKSI

FAKULTAS TEKNIK
UNIVERSITAS NEGERI MEDAN
2023
A. DEFINISI ANALISIS REGRESI

Analisis regresi dalam statistika adalah salah satu metode untuk menentukan hubungan
sebab-akibat antara satu variabel dengan variable yang lain. Analisis regresi juga merupakan
salah satu analisis yang paling sering dan pemakaiannya juga sangat luas. Analisis ini juga
digunakan untuk menentukan variabel bebas mana saja yang berhubungan dengan variabel
terikat, dan untuk mengetahui bentuk-bentuk hubungan tersebut. Manfaat dari hasil analisis
regresi ini digunakan untuk membuat sebuah keputusan apakah naik dan turunnya suatu variabel
dependen yang dapat dilakukan melalui peningkatan variabel independen atau tidak.

Metode analisis ini sudah dibicarakan sampai sekarang terhadap data mengenai sebuah
karakteristik atau lambing sebuah data (jika data itu kualitatif) dan mengenai sebuah variabel,
diskrit ataupun kontinu (jika data itu kuantitatif). Tetapi, dapat disadari bahwa banyak persoalan
atau fenomena yang melingkupi lebih dari sebuah variabel. Contohnya adalah jika berat seorang
laki-laki dewasa sampai tingkat tertentu bergantung pada tingginya, tekanan suatu gas bergantung
pada suhunya, hasil produksi padi bergantung pada jumlah pupuk yang dipakai, banyaknya hujan,
cuaca dan sebagainya.

Terdapat dua jenis dasar analisis regresi yaitu yang pertama regresi linear sederhana dan
yang kedua adalah regresi linear berganda (multiples). Jika analisis regresi linear sederhana
memakai satu variabel independen untuk mendefinisikan atau memperkirakan sebuah hasil dari
suatu variabel dependen Y. Sedangkan analisis regresi linear multiples atau berganda berfungsi
untuk menemukan pengaruh dari dua atau lebih variabel independent (variabel bebas atau X)
terhadap variabel dependent (variabel terikat Y).

Dengan demikian secara sederhana dapat dikatakan bahwa, jika kita ingin mengetahui
ada atau tidaknya pengaruh satu variabel X terhadap variabel Y maka kita akan menggunakan
analisis regresi sederhana. Dan sementara apabila jika kita ingin mengetahui antara pengaruh dua
variabel X atau lebih terhadap variabel Y maka kita menggunakan analisis regresi linear ganda
(multiples).
B. ANALISIS REGRESI LINEAR SEDERHANA
Analisis regresi linier sederhana adalah sebuah hubungan secara linear antara satu variabel
independen (X) dengan variabel dependen (Y). Analisis ini digunakan untuk mengetahui arah
sebuah hubungan antara variabel independen dengan variabel dependen apakah arah sebuah
hubungan tersebut positif atau negatif dan untuk memperkirakan dari suatu nilai variabel
dependen apabila nilai pada variabel independen mengalami kenaikan ataupun penurunan. Data
yang biasanya digunakan berskala interval atau rasio.

A. Hubungan Antar Variabel

Hubungan antar variabel dapat berupa hubungan linear ataupun hubungan tidak linear.
Misalnya, berat badan laki-laki dewasa sampai pada taraf tertentu bergantung pada tinggi
badan, keliling lingkaran bergantung pada diameternya, dan tekanan gas bergantung pada
suhu dan volumenya. Hubungan-hubungan itu bila dinyatakan dalam bentuk matematis akan
memberikan persamaan-persamaan tertentu. Untuk dua variabel, hubungan linearnya dapat
dinyatakan dalam bentuk persamaan linear, yaitu:

Y = a +bx

Keterangan:
Y, X = variabel
a, b = bilangan konstan (konstanta)

Hubungan antara dua variabel pada persamaan linear jika digambarkan secara
grafis (scatter diagram), semua nilai Y dan X akan berada pada suatu garis lurus.
Dalam ilmu ekonomi, garis itu disebut garis regresi.

a. Persamaan Garis Regresi Linear Sederhana

Regresi yang berarti peramalan, penaksiran, atau pendugaan pertama kali
diperkenalkan pada tahun 1877 oleh Sir Francis Galton (1822-1911) sehubungan
dengan penelitiannya terhadap tinggi manusia. Penelitian tersebut
membandingkan antara tinggi anak laki-laki dan tinggi badan ayahnya.
Analisis regresi juga digunakan untuk menentukan bentuk (dari) hubungan antar
variabel. Tujuan utama dalam penggunaan analisis itu adalah untuk meramalkan
atau memperkirakan nilai dari satu variabel dalam hubungannya dengan variabel
yang lain yang diketahui melalui persamaan garis regresinya Untuk populasi,
persamaan garis regresi linear sederhananya dapa dinyatakan dalam bentuk:

μ y.x = A + BX

Keterangan:

μ x.y = rata-rata Y bagi X tertentu

A, B = konstanta atau parameter atau koefisien regresi populasi

Karena populasi jarang diamati secara langsung, maka digunakan persamaan

regresi linear sederhana sampel sebagai penduga persamaan regresi linear
sederhana populasi. Bentuk persamaannya adalah

Ŷ = a + bX
Keterangan:

Ŷ = penduga bagi μ y.x

= Variabel terikat (variabel yang diduga)
X = variabel bebas (variabel yang diketahui)
a, b = penduga parameter A dan B
= koefisien regresi sampel
a = intersep (nilai Y, bila X = 0)
b = slop (kemiringan garis regresi)

Persamaan Y = a + bX memberikan arti jika variabel X mengeluarkan satu satuan

maka variabel Y akan mengalami peningkatan atau penurunankan satu 1xb.

Menentukan koefisien persamaan a dan b dapat dengan menggunakan

metode kuadrat terkecil, yaitu cara yang dipakai untuk menentukan koefisien
persamaan dan dari jumlah pangkat dua (kuadrat) antara titik-titik dengan
garis regresi yang dicari ysng terkecil . Dengan demikian , dapat ditentukan
Nilai-nilai a dan b dapat dihitung dengan menggunakan Rumus dibawah ini:

a=( ∑ y ) ( ∑ x )−( ∑ x ) ∑ xy ¿
2 ¿
n ( ∑ x )−( ∑ x ) ²
2

n ( ∑ xy )−( ∑ x ) (∑ y )
b=
n ( ∑ x2 ) −( ∑ x ) ²

Berikut ini adalah Langkah-langkah dalam melakukan Analisis Regresi Linear

Sederhana:
1. Tentukan Tujuan dari melakukan Analisis Regresi Linear Sederhana
2. Identifikasikan Variabel Faktor Penyebab (Predictor) dan Variabel Akibat
(Response)
3. Lakukan Pengumpulan Data
4. Hitung X², Y², XY dan total dari masing-masingnya
5. Hitung a dan b berdasarkan rumus diatas.
6. Buatkan Model Persamaan Regresi Linear Sederhana.
7. Lakukan Prediksi atau Peramalan terhadap Variabel Faktor Penyebab atau
Variabel Akibat

Analisis regresi linear sederhana digunakan untuk mendapatkan

hubungan matematis dalam bentuk suatu persamaan antara
variabel tak bebas dengan variabel bebas tunggal. Regresi linear
sederhana hanya memiliki satu perubahan regresi linier untuk
populasi adalah Y= a + bX Dengan : Y = Subyek dalam variabel
dependen yang diprediksikan X = Subyek pada variabel independen
yang mempunyai nilai tertentu. a = Parameter intercept b =
Parameter koefisien regresi variabel bebas Persamaan model regresi
sederhana hanya memungkinkan bila pengaruh yang ada itu hanya
dari independent variabel (variabel bebas) terhadap dependent
variabel (variabel tak bebas). Jadi harga b merupakan fungsi dari
koefisien korelasi. Bila koefisien korelasi tinggi, maka harga b juga
besar, sebaliknya bila koefisien korelasi negatif maka harga b juga
negatif, dan sebaliknya.Analisis regresi lebih akurat dalam
melakukananalisis korelasi, karena pada analisis itu kesulitan
dalam menunjukkan slop (tingkat perubahan suatu variabel
terhadap variabel lainnya dapat ditentukan). Dengan
demikian maka melalui analisis regresi, peramalan nilai
variabel terikat pada nilai variabel bebas lebih akurat pula.Regresi
Linear Sederhana adalahMetode Statistikyang berfungsi untuk
menguji sejauh mana hubungan sebab akibat antara Variabel
Faktor Penyebab (X) terhadap Variabel Akibatnya. Faktor Penyebab
pada umumnya dilambangkan dengan X atau disebut juga dengan
Predictor sedangkan Variabel Akibat dilambangkan dengan Y atau
disebut juga dengan Response. Regresi Linear Sederhana
atau sering disingkat dengan SLR (Simple Linear Regression)
juga merupakan salah satu Metode Statistik yang dipergunakan
dalam produksi untuk melakukan peramalan ataupun prediksi
tentang karakteristik kualitas maupun Kuantitas

Tabel Perhitungan Persamaan Linear

X² Y² XY
215.504.455.204 222.052.058.176 691.760.130.568
219.577.273.059 167.399.631.025 606.276.789.030
226.046.714.522 151.029.290.625 584.332.452.220
235.898.881 148.050.561.529 590.972.850.700
242.890.354.803 134.777.828.641 572.155.875.744
249.803.398.728 152.779.356.900 615.776.679.790
115.405.809.519 976.088.526.896 366.327.477.807

Menghitung persamaan regresi:

a=( ∑ y ) ( ∑ x 2 )−( ∑ x ) ∑ xy ¿ ¿
n ( ∑ x )−( ∑ x ) ²
2

( 2411785 ) ( 115405 )−( 9128217 )(366327)

a=
6 ( 115405 ) −(9128217)²

( 278332 )−(334391)
a=
( 692430 )−(833243)

(−56059)
a=
(−140813)

a=0,398

n ( ∑ xy )−( ∑ x ) (∑ y )
b=
n ( ∑ x2 ) −( ∑ x ) ²

6 ( 366327 )−(9128217)(2411785)
b=
6 ( 115405 )−(9128217)²

( 2197952 )−(220153)
b=
( 692430 )−(833243)

( 1977799 )
b=
(−140813)

b=(−14,045)

Dalam kasus ini a = angka konstan bernilai 0,398. Angka ini merupakan angka konstan
yang mempunyai arti bahwa, jika tidak ada Jumlah Penduduk (X) maka nilai Jumlah Kemiskinan
(Y) adalah sebesar 0,398. Sedangkan b angka koefisien regresi nilainya sebesar -14,045. Angka
ini mengandung arti bahwa penambahan 1% tingkat Jumlah Penduduk (X), maka Jumlah
Kemiskinan (Y) akan meningkat sebesar -14,045. Karena nilai koefisien regresi bernilai minus
(-), maka dengan demikian dapat dikatakan bahwa Jumlah Penduduk (X) berpengaruh
negatif terhadap Jumlah Kemiskinan (Y) di kota Palembang. Sehingga persamaan regresinya adalah Y
= 0,398

Berdasarkan hasil analisis regresi linear sederhana dapat disimpulkan bahwa variabel dari
Jumlah Penduduk (X) memiliki pengaruh negatif terhadap variabel Jumlah Kemiskinan (Y) di Kota
Palembang (b = -14,045). Secara simultan Jumlah Penduduk memiliki pengaruh terhadap Jumlah
Kemiskinan di kota Palembang sebesar 0,398%, sedangkan -14,045% dan sisanya dipengaruhi oleh
variabel diluar yang diteliti.

C. ANALISIS REGRESI LINEAR BERGANDA

Analisis regresi linear berganda merupakan hubungan secara linear antara dua variable atau lebih
variabel independen (X1, X2,.... Xn) dengan variabel de-penden (Y). Analisis ini digunakan
untuk mengetahui arah hubungan antara variabel independen dengan variabel dependen, apakah
masing-masing variabel independen berhubungan positif atau negatif dan juga digunakan untuk
memprediksi nilai dari suatu variabel dependen apabila pada nilai variabel independen
mengalami kenaikan ataupun penurunan. Data yang digunakan biasanya berskala interval atau
rasio.
Persamaan regresi linier berganda secara matematik diekspresikan oleh :

Y = a + b1 X1 + b2 X2 + … + bn Xn
Keterangan :
Y = variable tak bebas (nilai variabel yang akan diprediksi)
a = konstanta
b1,b2,…, bn = nilai koefisien regresi
X1,X2,…, Xn = variabel bebas

Bila terdapat 2 variable bebas, yaitu X1 dan X2, maka bentuk persamaan regresinya
adalah :
Y = a + b1X1 + b2X2 + e

Keadaan-keadaan bila koefisien-koefisien regresi, yaitu b1 dan b2 mempunyai nilai :

 Nilai=0. Dalam hal ini variabel Y tidak dipengaruh oleh X1 dan X2
 Nilainya negatif. Disini terjadi hubungan dengan arah terbalik antara variabel
tak bebas Y dengan variabel-variabel X1 dan X2
 Nilainya positif. Disni terjadi hubungan yang searah antara variabel tak bebas
Y dengan variabel bebas X1 dan X2
Contoh Kasus:
Anda adalah seorang data scientist yang bekerja untuk sebuah perusahaan retail.
Anda diminta untuk melakukan analisis regresi linear ganda untuk memahami faktor-
faktor yang mempengaruhi penjualan produk. Anda memiliki dua variabel
independen: jumlah iklan yang dihabiskan oleh perusahaan (X1) dan jumlah produk
yang dipromosikan (X2). Anda juga memiliki data penjualan produk (Y) dalam
ribuan dolar selama beberapa bulan terakhir. Data tersebut sebagai berikut:

Iklan (X1) Produk (X2) Penjualan (Y)

50 3 200
60 2 210
45 4 190
55 3 215
70 5 240

Buat model regresi linear ganda untuk memprediksi penjualan produk berdasarkan
variabel iklan dan produk.

Penyelesaian :
Untuk membuat model regresi linear ganda, kita dapat menggunakan rumus berikut:

Y = a + b1X1 + b2X2 + e

Langkah-langkahnya adalah sebagai berikut:

 Hitung rata-rata dari X1, X2, dan Y.
 Hitung variansi dan kovariansi X1, X2, dan Y.
 Hitung koefisien regresi β1 dan β2 dengan rumus:

Cov (X 1 , Y )
B1=
Var (X 2)
 Cov ( X 2 ,Y )
B 2=
Var ( X 2 )

 Hitung a dengan rumus:

a = (Y_rata_rata – B1) x (X1_rata_rata - β2) x (X2_rata_rata)

Sekarang kita memiliki model regresi linear ganda:

Y = a + B1X1 + B2X2

Dengan model ini, kita dapat memprediksi penjualan produk berdasarkan nilai iklan
dan produk yang diberikan.

D. KOEFISIEN DETERMINASI
Pengujian koefisien determinasi ini dilakukan dengan maksud mengukur kemampuan
model dalam menerangkan seberapa pengaruh variabel independen secara bersama–sama
(stimultan) mempengaruhi variabel dependen yang dapat diindikasikan oleh nilai (Ghozali,
2016). Uji koefisien determinasi dilakukan untuk mengetahui seberapa besar variabel endogen
secara simultan mampu menjelaskan variabel eksogen. Semakin tinggi nilai r 2 berarti semakin
baik model prediksi dari model penelitian yang diajukan. Uji koefisien determinasi (R 2) dilakukan
untuk menentukan dan memprediksi seberapa besar atau penting kontribusi pengaruh yang
diberikan oleh variabel independen secara bersama – sama terhadap variabel dependen.
Untuk mengetahui prosentase pengaruh variable-variable X1 dan X2 terhadap variable Y
digunakan koefisien determinasi. Besarnya r2 dihitung dengan rumus :

n ( a ∑ y+ b 1−∑YX 1=b 2 ∑ XY 2 )−(∑Y )²

r ²=
n ( ∑Y 2 ) −(∑Y )²

Contoh Kasus:
Diperoleh dari regresi dengan nilai sebagai berikut
Y=15,086-1,015X1-0,41X2
Tentukanlah koefisien determinasinya!
 Penyelesaian:
n ( a ∑ y+ b 1−∑ YX 1=b 2 ∑ XY 2 )−(∑ Y )²
r ²=
n ( ∑ Y 2 ) −(∑ Y )²
r ²=10 ¿ ¿
r²=0,939
 DAFTAR PUSTAKA

Hasan, M. Iqbal. 2008. POKOK-POKOK MATERI STATISTIK 2. Jakarta: Bumi Aksara.

Siregar, Syafaruddin. 2005. STATISTIK TERAPAN Untuk Penelitian. Indonesia: Grasindo.
Sudjana. 2002. METODA STATISTIKA. Bandung: Tarsito.
Sugiyono. 2007. Statistika Untuk Penelitian. Bandung: Alfabeta.
Martiningtyas, Nining. 2011. Teori, Soal dan Pembahasan Statistika. Bandung: Prestasi Pustaka
Publisher.
Harsiti., Ela Srihartini.. Zaenal Mutaqqin. (2022). PENERAPAN METODE REGRESI LINIER
SEDERHANA UNTUK PREDIKSI PERSEDIAAN OBAT JENIS TABLET.vol 9,12-16.
Agnisa, Sari., Efri Ayu Kartika Putri., Nazori Suhandi. (2018). Analisis Pengaruh Jumlah Penduduk
terhadap Jumlah Kemiskinan Menggunakan Metode Regresi Linear di Kota Palembang.Vol.09.
Basri, Hasan. (2018). PEMODELAN REGRESI BERGANDA UNTUK DATA DALAM STUDI
KECERDASAN EMOSIONAL. Vol. 12.
Azam, Riza Ibnu., Tesa Nur Padilah. (2019). ANALISIS REGRESI LINIER BERGANDA DALAM
ESTIMASI PRODUKTIVITAS TANAMAN PADI DI KABUPATEN KARAWANG. Vol.5.
Lessnusa, Y.A., G. L. Marcus , H. J. Wattimanela. (2012). ANALISIS REGRESI KOMPONEN
UTAMA UNTUK MENGATASI MASALAH MULTIKOLINIERITAS DALAM ANALISIS
REGRESI LINIER BERGANDA. Vol. 6,No.1,34-40.