ANALISIS REGRESI

Ringkasan Materi Mata kuliah Metodologi Penelitian Kuantitatif

Prodi Perbankan Syari’ah Semester V

DOSEN PENGAMPU :
Kholid Ansori, SE., MM

Disusun Oleh :
Dilla Agfrilita : 21.336.0030
Defriyadi : 21.336.0028
Kelompok : 4

YAYASAN PENDIDIKAN ISLAM

INSTITUT AGAMA ISLAM NUSANTARA BATANGHARI
FAKULTAS EKONOMI DAN BISNIS ISLAM
TAHUN AJARAN
2023/2024
 KATA PENGANTAR

Puji dan syukur saya ucapkan kepada Tuhan Yang Maha Kuasa, karena
berkat rahmat dan karunia-Nya saya dapat menyelesaikan tugas makalah
ini. Saya juga bersyukur atas berkat rezeki dan kesehatan yang diberikan
kepada saya sehingga saya dapat mengumpulkan bahan – bahan materi
makalah ini dari beberapa sumber. Saya telah berusaha semampu saya
untuk mengumpulkan berbagai macam bahan tentang “ANALISIS
REGRESI”.
saya sadar bahwa makalah yang saya buat ini masih jatuh dari kata
sempurna, karena itu saya mengharapkan saran dan kritik yang
membangun untuk menyempurnakan makalah ini menjadi lebih baik lagi.
Oleh karena itu saya mohon bantuan dari para pembaca.
Demikianlah makalah ini saya buat, apabila ada kesalahan dalam
penulisan, saya mohon maaf yang sebesarnya dan sebelumnya saya
mengucapkan terima kasih.

Muara Bulian, Oktober 2023

Penyusun

ii
 DAFTAR ISI

KATA PENGANTAR .................................................................................ii

DAFTAR ISI .............................................................................................iii
BABI PENDAHULUAN
A. Latar Belakang ......................................................................................1
B. Rumusan Masalah ................................................................................2
C. Tujuan penulisan ...................................................................................2
BAB II PEMBAHASAN
A. Pengertian Analisis Regresi...................................................................3
B. Tujuan dan Kegunaan Analisis Regresi ................................................4
C. Persyaratan Penggunaan Regresi ........................................................5
D. Regresi Linear dengan Variabel Moderating .........................................6
E. Jenis-Jenis Analisis Regresi ..................................................................7
F. Rumus Analisis Regresi dan Contohnya ................................................9
G. Langkah Regresi linear dengan excel .................................................13
BAB III PENUTUP
A.Kesimpulan ..........................................................................................18
B.Saran ...................................................................................................18
DAFTAR PUSTAKA

iii
 BAB I
PENDAHULUAN

A. Latar Belakang
Analisis regresi merupakan alat statistik yang banyak digunakan
dalam berbagai bidang. Analisis tersebut bertujuan untuk mengetahui
hubungan antara variabel dependen dan variabel independen. Ada tiga
macam tipe dari analisis regresi. Tipe yang pertama adalah regresi linier
sederhana yang berfungsi untuk mengetahui hubungan linier antara dua
variabel, satu variabel dependen dan satu variabel independen. Tipe
kedua adalah regresi linier berganda yang merupakan model regresi linier
dengan satu variabel dependen dan lebihdari satu variabel independen.
Tipe ketiga adalah regresi non linier yang berasumsi bahwa hubungan
antara variabel dependen dan variabel independen tidak linier pada
parameter regresinya (Yan and Gang Su, 2009).
Analisis regresi merupakan suatu cara yang dapat digunakan untuk
mengetahui hubungan sebuah variabel tak bebas dengan satu atau lebih
variabel bebas. Analisis regresi dapat digunakan untuk menganalisis data
dan mengambil kesimpulan yang bermakna tentang hubungan
ketergantungan variabel terhadap variabel lainnya. Berdasarkan jumlah
variabel bebas, analisis regresi linier dibagi menjadi dua macam yaitu,
analisis regresi linier sederhana dan analisis regresi linier berganda.
Salah satu tujuan dalam analisis regresi adalah untuk mengestimasi rata-
rata populasi atau nilai rata-rata variabel dependen berdasarkan nilai
variabel independen yang diketahui. Hasil dari analisis regresi berupa
koefisien regresi untuk masing-masing variabel independen. Pada
umumnya digunakan metode estimasi kuadrat terkecil untuk
mengestimasi koefisien regresi. Metode kuadrat terkecil adalah suatu
metode yang digunakan untuk mengestimasi koefisien garis regresi
dengan cara meminimumkan jumlah kuadrat residual. Penggunaan
metode kuadrat terkecil memerlukan beberapa asumsi klasik yang harus
dipenuhi.

1
Beberapa asumsi itu antara lain:
(1) merupakan variabel random dan mengikuti distribusi normal;
(2) varians dari adalah konstan dan homoskedastisitas;
(3) tidak ada autokorelasi; dan
(4) tidak ada multikolinieritas di antara variabel independen.

B. Rumusan Masalah
1. Apa itu Analisis Regresi ?
2. Apa saja Tujuan dan Kegunaan Analisis Regresi ?
3. Bagaimana Persyaratan Penggunaan Regresi ?
4. Apa itu Regresi Linear dengan Variabel Moderating ?
5. Apa saja Jenis-Jenis Analisis Regresi ?

C. Tujuan Penulisan
1. Untuk mengetahui pengertian analisis regresi
2. Untuk mengetahui tujuan dan kegunaan analisis regresi
3. Untuk mengetahui persyaratan penggunaan regresi
4.Untuk mengetahui apa itu regresi linear dan varibael moderating
5. Untuk mengetahui jenis-jenis analisis regresi

2
 BAB II
PEMBAHASAN

A. Pengertian Analisis Regresi

Analisis regresi adalah kajian terhadap hubungan satu variable yang
disebut dengan variable yang diterangkan (the explained variable) dengan
satu atau dua variable yang menerangkan (the explanatory). Variabel
pertama disebut juga sebagai variable tergantung dan variable kedua
disebut juga sebagai variable bebas.1 Analisis regresi merupakan salah
satu analisis yang bertujuan untuk mengetahui pengaruh suatu variabel
terhadap variabel lain. 2 Sir Francis Galton (1822 – 1911),
memperkenalkan model peramalan, penaksiran, atau pendugaan, yang
selanjutnya dinamakan regresi, sehubungan dengan penelitiannya
terhadap tinggi badan manusia. Penelitian tersebut membandingkan
antara tinggi anak laki-laki dan tinggi badan ayahnya. Galton menunjukkan
bahwa tinggi badan anak laki-laki dari ayah yang tinggi setelah beberapa
generasi cenderung mundur (regressed) mendekati nilai tengah populasi.
Dengan kata lain, anak laki-laki dari ayah yang badannya sangat tinggi
cenderung lebih pendek dari pada ayahnya, sedangkan anak laki-laki dari
ayah yang badannya sangat pendek cenderung lebih tinggi dari ayahnya.
(Ronal E. Walpole).
Hubungan antar variabel dapat berupa hubungan linier ataupun
hubungan tidak linier. Misalnya, berat badan orang dewasa sampai pada
tahap tertentu bergantung pada tinggi badan, keliling lingkaran bergantung
pada diameternya, dan tekanan gas bergantung pada suhu dan
volumenya. Atau dalam ilmu pemasaran, nilai penjualan akan bergantung
pada biaya promosi. Hubungan-hubungan itu bila dinyatakan dalam
bentuk matematis akan memberikan persamaan-persamaan tertentu.
Untuk dua variabel, hubungan liniernya dapat dinyatakan dalam bentuk
persamaan linier, yakni: Y = a + bX. Hubungan antara dua variabel pada

1
Arnita, Pengantar Statistika, (Bandung: Citapustaka Media Perintis, 2013), hal: 142.
2
Dikutip dari: http://teratainear.blogspot.com/p/makalah-regresi-dan-korelasi.html,
diakses pada tanggal 13-10-2023 pukul 13:15

3
persamaan linier jika digambarkan secara (scatter diagram), semua nilai Y
dan X akan berada pada suatu garis lurus. Dan dalam ilmu ekonomi, garis
itu dinamakan garis regresi.
Berkaitan dengan analisis regresi ini, setidaknya ada empat
kegiatan yang lazim dilaksanakan yakni :
1. Mengadakan estimasi terhadap parameter berdasarkan data empiris.
2. Menguji berapa besar variasi variabel dependen dapat diterangkan oleh
variasi independen.
3. Menguji apakah estimasi parameter tersebut signifikan atau tidak.
4. Melihat apakah tanda magnitude dari estimasi parameter cocok dengan
teori.

B. Tujuan dan Kegunaan Analisis Regresi

analisis regresi dalam statistika adalah salah satu metode untuk
menentukan hubungan sebab akibat antara satu variabel dengan variabel
yang lain. Analisis regresi adalah salah satu analisis yang paling populer
dan luas pemakaiannya. Hampir semua bidang ilmu yang memerlukan
analisis. Analisis regresi dan analisis korelasi dikembangkan untuk
mengkaji dan mengukur hubungan antara dua variabel atau lebih. Dalam
analisis regresi dikembangkan persamaan estimasi untuk
mendeskripsikan pola atau fungsi hubungan antara variabel-variabel.
Sesuai dengan namanya, persamaan estimasi atau persamaan regresi itu
digunakan untuk mengestimasi nilai dari suatu variabel berdasarkan nilai
variabel lainnya. Variabel yang di estimasi itu disebut variabel dependen
(atau variabel terikat) sedangkan variabel yang diperkirakan memengaruhi
variabel dependen itu disebut variabel independen (atau variabel bebas). 3
Ada beberapa tujuan penggunaan analisis regresi, antara lain:
a. Membuat estimasi rata-rata dan nilai variabel tergantung dengan
didasari pada nilai variabel bebas.
b. Menguji hipotesis karakteristik dependensi.

3
Sunardi Nur, Pengantar Statistika, (Jakarta: Bumi Aksara, 2009), hal: 121

4
 c. Untuk meramalkan nilai rata-rata variabel bebas dengan didasarkan
pada nilai variabel bebas diluar jangkauan sample. 4

C. Persyaratan Penggunaan Regresi

Model kelayakan regresi linear didasarkan pada hal-hal sebagai
berikut:
1. Model regresi dikatakan layak jika angka signifikansi pada ANOVA
sebesar < 0.05.
2. Predictor yang digunakan sebagai variabel bebas harus layak.
Kelayakan ini diketahui jika angka Standard Error of Estimate <
Standard Deviation.
3. Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji T.
Koefesien regresi signifikan jika T hitung > T tabel (nilai kritis).
4. Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi
yang sangat tinggi atau sangat rendah antar variabel bebas. Syarat ini
hanya berlaku untuk regresi linier berganda dengan variabel bebas
lebih dari satu.
5. Tidak terjadi otokorelasi. Terjadi otokorelasi jika angka Durbin dan
Watson (DB) sebesar < 1 dan > 3.
6. Keselerasan model regresi dapat diterangkan dengan menggunakan
nilai r2 semakin besar nilai tersebut maka model semakin baik. Jika
nilai mendekati 1 maka model regresi semakin baik. Nilai r2
mempunyai karakteristik diantaranya: 1) selalu positif, 2) Nilai r2
maksimal sebesar 1. Jika Nilai r2 sebesar 1 akan mempunyai arti
kesesuaian yang sempurna. Maksudnya seluruh variasi dalam
variabel Y dapat diterangkan oleh model regresi. Sebaliknya jika r2
sama dengan 0, maka tidak ada hubungan linier antara X dan Y.
7. Terdapat hubungan linier antara variabel bebas (X) dan variabel
tergantung (Y).
8. Data harus berdistribusi normal
9. Data berskala interval atau rasio

4
Arnita, Pengantar Statistika, (Bandung: Citapustaka Media Perintis, 2013), hal: 142

5
10. Kedua variabel bersifat dependen, artinya satu variabel merupakan
variabel bebas (disebut juga sebagai variabel predictor) sedang
variabel lainnya variabel tergantung (disebut juga sebagai variabel
response).5

D. Regresi Linear dengan Variabel Moderating

Variabel moderating adalah variabel yang memperkuat atau
memperlemah hubungan antara satu variabel dengan variabel lain.
Sebagai contoh: seorang suami menyayangi istrinya. Dengan hadirnya
seorang anak, maka rasa sayang tersebut bertambah. Berarti variabel
anak merupakan moderating antara rasa saya suami terhadap istri.
Contoh lain: kompensasi memperkuat pengaruh antara kepuasan kerja
terhadap kinerja. Artinya kepuasan kerja berpengaruh terhadap kinerja,
dan adanya kompensasi yang tinggi maka pengaruh antara kepuasan
kerja terhadap kinerja menjadi lebih meningkat. Dalam hal ini, kompensasi
bisa saja berpengaruh terhadap kinerja bisa saja tidak.6 Metode analisis
regresi linear dengan variabel moderating antara lain:
1. Multiple Regression Analysis (MRA)
Metode ini dilakukan dengan menambahkan variabel perkalian
antara variabel bebas dengan variabel moderatingnya, sehingga
persamaan umumnya adalah sebagai berikut: Y = a + b1 X1 + b2 X2 + b3
X1 X2 dengan Y adalah kinerja, X1 adalah kepuasan kerja, X2
kompensasi dan X1 X2 adalah perkalian antara kepuasan kerja dengan
kompensasi. Hipotesis moderating diterima jika variabel X1 X2
mempunyai pengaruh signifikan terhadap Y, tidak tergantung apakah X1
dan X2 mempunyai pengaruh terhadap Y atau tidak. Model ini biasanya
menyalahi asumsi multikolinearitas atau adanya korelasi yang tinggi
antara variabel bebas dalam model regresi, sehingga menyalahi asumsi
klasik. Hampir tidak ada model MRA yang terbebas dari masalah
multikolinearitas, sehingga sebenarnya model ini tidak disarankan untuk
dipergunakan.
5
Ibid, hal: 143-144.
6
Sunardi Nur, Pengantar Statistika, (Jakarta: Bumi Aksara, 2009), hal: 123

6
2. Absolut residual
Model ini mirip dengan MRA, tetapi variabel moderating didekati
dengan selisih mutlak (absolut residual) antara variabel bebas dengan
variabel moderatingnya. Penerimaan hipotesis juga sama, dan model ini
masih riskan terhadap gangguan multikolinearitas meskipun risiko itu lebih
kecil dari pada dengan metode MRA.
3. Residual
Model ini menggunakan konsep lack of fit yaitu hipotesis
moderating diterima terjadi jika terdapat ketidakcocokan dari deviasi
hubungan linear antara variabel independen. Langkahnya adalah dengan
meregresikan antara kepuasan kerja terhadap kompensasi dan dihitung
nilai residualnya. Pada program SPSS dengan klik Save pada regreesion,
lalu klik pada usntandardized residual. Nilai residual kemudian diambil
nilai absolutnya lalu diregresikan antara kinerja terhadap absolut residual.

E. Jenis-Jenis Analisis Regresi

1.Analisis Regresi Linier
Teknik analisis regresi linier adalah salah satu teknik pemodelan
yang paling dikenal,karena merupakan salah satu metode analisis regresi
elit pertama yang diambil oleh orang-orang pada saat mempelajari
pemodelan prediktif. Perlu diketahui, dalam regresi linier berganda
terdapat lebih dari satu variabel independen dan dalam regresi linier
sederhana hanya terdapat satu variabel independen. Dengan demikian,
regresi linier paling baik digunakan hanya jika ada hubungan linier antara
variabel bebas dan variabel terikat.
2. Analisis Regresi Logistik
Regresi logistik biasanya digunakan untuk menentukan
probabilitas event=Success and event=Failure. Setiap kali variabel
dependen adalah biner seperti 0/1, Benar / Salah, Ya / Tidak, regresi
logistik digunakan. Dengan demikian,dapat dikatakan bahwa regresi
logistik digunakan untuk menganalisis pertanyaan tertutupdalam survei
atau pertanyaan yang menuntut respons numerik dalam survei.Perlu

7
diketahui, regresi logistik tidak memerlukan hubungan linier antara
variabeldependen dan variabel independen seperti halnya regresi linier.
Regresi logistik menerapkan transformasi log non-linier untuk
memprediksi rasio peluang. Oleh karena itu, ia dengan mudah menangani
berbagai jenis hubungan antara variabel dependen dan variabel
independen.
3. Analisis Regresi Polinomial
Regresi polinomial biasanya digunakan untuk menganalisis data
lengkung dan ini terjadi ketika kekuatan variabel independen lebih dari 1.
Dalam metode analisis regresi ini, garis yang paling cocok tidak pernah
menjadi ‘garis lurus’ tetapi selalu ‘garis kurva’ cocok dengan poin
data.Perlu dicatat bahwa regresi polinomial lebih baik digunakan ketika
beberapa variabel memiliki eksponen dan sedikit yang tidak. Selain itu,
dapat memodelkan data yang dapat dipisahkan secara non-linier yang
menawarkan kebebasan untuk memilih eksponen yang tepat untuk setiap
variabel dan itu juga dengan kontrol penuh atas fitur pemodelan yang
tersedia.
4. Analisis Regresi Bertahap
Analisis regresi bertahap adalah proses semi-otomatis yang
dengannya model statistik dibangun baik dengan menambahkan atau
menghapus variabel yang bergantung pada statistik-t dari koefisien
estimasi mereka. Jika digunakan dengan benar, regresi bertahap akan
memberi kita data yang lebih kuat daripada metode apa pun. Ini berfungsi
dengan baik saat kita bekerja dengan sejumlah besar variabel
independen.Dimana analisis data ini hanya menyempurnakan model
analisis dengan memasukkan variabel secara acak. Analisis regresi
bertahap direkomendasikan untuk digunakan jika terdapat beberapa
variabel independen, di mana pemilihan variabel independen dilakukan
secara otomatis tanpa campur tangan manusia.
Perlu kita catat bahwa dalam pemodelan regresi bertahap, variabel
ditambahkan atau dikurangkan dari kumpulan variabel penjelas.

8
Kumpulan variabel yang ditambahkanatau dihapus dipilih tergantung pada
statistik uji dari koefisien yang diperkirakan.
5.Analisis Regresi Ridge
Regresi ridge didasarkan pada metode kuadrat terkecil biasa yang
digunakan untuk menganalisis data multikolinearitas (data di mana
variabel independen sangat berkorelasi). Kolinearitas dapat dijelaskan
sebagai hubungan yang hampir linier antara variabel.Setiap kali terjadi
multikolinearitas, perkiraan kuadrat terkecil tidak akan bias; tetapi, jika
perbedaan di antara keduanya lebih besar, maka itu mungkin jauh dari
nilai sebenarnya. Namun, regresi ridge menghilangkan kesalahan standar
dengan menambahkan beberapa tingkat bias ke perkiraan regresi dengan
motif untuk memberikan perkiraan yang lebih dapat diandalkan.Perlu kita
catat bahwa asumsi yang diturunkan melalui regresi ridge mirip dengan
regresi kuadrat terkecil, satu-satunya perbedaan adalah normalitas.
Meskipun nilai koefisien dibatasi dalam regresi ridge, nilai koefisien tidak
pernah mencapai nol yang menunjukkan ketidakmampuan untuk memilih
variabel.7

F. Rumus Analisis Regresi dan Contohnya

1. Regresi Linear Sederhana

[Y = a + bX + €]

Keterangan
Y = Variabel dependen
X = Variabel independen
a = Konstanta atau titik potong Y
b = Koefisien dari regresi atau beta
€ = Residual regresi atau istilah kesalahan (error).

7
https://www.academia.edu/45336348/MAKALAH_ANALISIS_REGRESI. diakses pada
tanggal 14-10-2023 pukul 17:35

9
Contohnya:
Mahasiswa Universitas Brawijaya melakukan penelitian dan menghasilkan
data tentang berat badan 10 mahasiswa yang diprediksi dipengaruhi oleh
konsumsi jumlah kalori/hari. Analisis data tersebut menggunakan regresi
linier sederhana!
Jawab :
Tujuan penelitian : apakah konsumsi jumlah kalori/hari
mempengaruhi berat badan mahasiswa.
Variabel : X (variable bebas/predictor) = jumlah kalori/hari
Y (variable tak bebas/response) = berat badan

Tabel Data 10 Mahasiswa :

Nama Kalori/ hari (X) Berat Badan (Y)
Dian 530 89
Echa 300 48
Winda 358 56
Kelo 510 72
Intan 302 54
Putu 300 42
Aditya 387 60
Anita 527 85
Sefia 415 63

Tabel bantu yang dibuat untuk memudahkan dalam melakukan

perhitungan :
X X2 Y Y2 XY
530 280900 89 7921 47170
300 90000 48 2304 14400
358 128164 56 3136 20048
510 260100 72 5184 36720
302 91204 54 2916 16308
300 90000 42 1764 12600

10
387 149769 60 3600 23220
527 277729 85 7225 44795
415 172225 63 3969 26145
512 262144 74 5476 37888
4141 1802235 643 43495 279294
Koefisien regresi b ditentukan dengan menggunakan rumus yang telah
diberikan, yaitu :

Konstanta a diperoleh melalui rumus :

Konstanta a juga dapat dicari dari nilai rata-rata X dan Y, yaitu :

Sehingga model persamaan regresi linier sederhananya adalah :

Y = 2,608 + 0,149 X.

2. Regresi Linear Berganda

Rumus ini digunakan untuk menganalisa suatu hubungan yang variabel
bebasnya ada lebih dari satu. Rumus ini juga disebut dengan regresi linier
majemuk dan jauh lebih rumit.
Y = a + b1 X1 + c1 X2 + d1 X3 + €

Keterangan
Y = Variabel dependen

11
X = Variabel independen
a = Konstanta atau titik potong Y
b, c, d = Koefisien dari regresi atau beta
€ = Residual regresi atau istilah kesalahan (error).
Contohnya :
erdapat data tentang IQ dan tingkat kehadiran sepuluh mahasiswa teknik
elektro Universitas Brawijaya yang diperkirakan mempengaruhi nilai UAS
mereka. Pada tabel data tersebut, (1) Buatlah persamaan regresi linier
berganda, kemudian (2) Variabel yang mana memberikan pengaruh lebih
besar terhadap nilai UAS ?

Mahasiswa IQ (X2) Tingkat kehadiran (%) (X1) Nilai UAS (Y)

1 110 60 65
2 120 70 70
3 115 75 75
4 130 80 75
5 110 80 80
6 120 90 80
7 120 95 85
8 125 95 95
9 110 100 90
10 120 100 98

Pembahasan :

1. Persamaan regresi : Y = 25.047 + 0.6705X1 – 0.00343X2

2. Perhatikan outputnilai pada persamaan regresi diatas! Didapati nilai
b1 lebih besar dibandingkan dengan nilai b2. Nilai b1 menandakan
kemiringan X1 (kehadiran dikelas) dan b2 menandakan kemiringan
X2 (IQ). Dalam hal ini dapat disimpulkan bahwa presentase
kehadiran dikelas lebih berpengaruh daripada IQ mahasiswa
teknik elektro UB.

12
G. Langkah Regresi linear dengan excel
Sebagai latihan ketikkan angka-angka berikut pada range A1:C11 seperti
terlihat pada tampilan 1 berikut:
Tampilan 1. Data untuk Regresi

Klik menu Tool kemudian klik Data Analysis. (Catatan: jika setelah
mengklik Tool, ternyata tidak muncul pilihan Data Analysis, berarti menu
tersebut belum diaktifkan di program Excel Anda. Untuk mengaktifkannya,
klik Tool, kemudian klik Add ins, selanjutnya conteng pada pilihan Analysis
Toolpak, setelah itu klik ok. Lalu ulangi tahap 2 ini).

Tampilan yang muncul setelah mengklik Data Analysis adalah seperti

tampilan 2. Selanjutnya klik Regression dan klik OK.

Tampilan 2. Data Analysis

13
Proses Regresi
Selanjutnya akan muncul tampilan 3 berikut:
Tampilan 3. Regression

Isi Input Y Range (bisa dengan mengetikkan ke dalam kotak putihnya atau
memblok data). Input Y Range adalah variabel yang menjadi variabel
terikat (dependent variable). Kemudian isikan Input X Range. Input X
Range adalah variabel yang menjadi variabel bebas (independent
variable). Semua variabel bebas diblok sekaligus. Catatan: Baik Y range
maupun X range, didalamnya termasuk judul/nama variabel.
Selanjutnya conteng kotak Labels. Ini artinya, memerintahkan Excel untuk
membaca baris pertama dari data kita sebagai nama variabel. Anda juga
bisa menconteng Constant is Zero, jika menginginkan output regresi
dengan konstanta bernilai 0. Anda juga bisa menconteng Confidence
Level jika ingin mengganti nilai confidence level (jika tidak diconteng,
Excel akan memberikan confidence level 95%). Dalam latihan kita kedua
pilihan tersebut tidak kita conteng.

Selanjutnya pada Output Option kita bisa menentukan penempatan

output/hasilnya. Bisa pada worksheet baru atau workbook baru.
Katakanlah kita menempatkan output di worksheet yang sama dengan

14
data kita. Conteng Output Range dan isi kotak putihnya dengan sel
pertama dimana output tersebut akan ditempatkan. Dalam contoh ini,
misalnya ditempatkan pada sel A16.
Residual setelah uji regresi excel
Pada pilihan Residual, terdapat 4 pilihan. Anda bisa menconteng sesuai
dengan keinginan. Dalam kasus ini kita conteng semua pilihan tersebut.
Selanjutnya, terdapat pilihan untuk menghasilkan Normal Probability.
Dalam kasus kita, juga kita conteng pilihan ini. Perlu diketahui
bahwasanya upaya menampilkan Residual dan Norma Probability Plot,
anda akan menggunakannya untuk melakukan uji normalitas.

Setelah itu, klik OK. Maka akan muncul hasil regresi berikut:
Summary

Output Summary and Anova

Coefficient Beta

15
 Residual Output

Ada empat tabel hasil yang ditampilkan (yang tergantung pada pilihan
yang kita buat sebelumnya), yaitu SUMMARY OUTPUT, ANOVA,
RESIDUAL OUTPUT, dan PROBABILITY OUTPUT. Pada SUMARY
OUTPUT ditampilkan nilai multiple R, R square, adjusted R square,
standard error dan jumlah observasi. Pada ANOVA ditampilkan analisis
variance dan nilai F serta pengujiannya, yaitu membandingkan F Hitung
dengan Tabel F: F Tabel dalam Excel. Selanjutnya ditampilkan
perhitungan regresi kita yang mencakup intercept (konstanta) dan
koefisien-koefisien regresi untuk masing-masing variabel. Dari hasil ini kita
bisa membentuk persamaan regresi menjadi:

Permintaan = 607,53 – (13,31 x Harga) + (0,36 x Pendapatan).

Selanjutnya, pada tabel tersebut juga dimunculkan standard error, t stat,

P-value, confidence level untuk 95% (karena kita tidak mengganti default
nilai ini pada tahap sebelumnya).

Selain itu, karena tadi kita menconteng empat pilihan residual output dan
1 pilihan normal probability, maka juga ditampilkan 5 kurva untuk pilihan-
pilihan tersebut. Tetapi seperti yang kita lihat di bawah ini, kelima kurva
tersebut bertumpuk. Untuk itu, kita perlu memindahkan (menarik) kurva-
kurva tersebut ke bagian yang lain dari worksheet kita sehingga bisa
dibaca.
Perhitungan Regresi dengan Excel

16
Tampilan 5. Hasil Perhitungan 2

17
 BAB III
PENUTUP

A. Kesimpulan
Analisis regresi berbeda dengan analisis korelasi. Jika analisis
korelasi digunakan untuk melihat hubungan dua variable; maka analisis
regresi digunakan untuk melihat pengaruh variable bebas terhadap
variable tergantung serta memprediksi nilai variable tergantung dengan
menggunakan variable bebas. Dalam analisis regresi variable bebas
berfungsi untuk menerangkan (explanatory) sedang variable tergantung
berfungsi sebagai yang diterangkan (the explained). Dalam analisis
regresi data harus berskala interval atau rasio. Hubungan dua variable
bersifat dependensi. Untuk menggunakan analisis regresi diperlukan
beberapa persyaratan yang harus dipenuhi.
Ada dua macam linieritas dalam analisis regresi, yaitu linieritas
dalam variabel dan linieritas dalam parameter. Yang pertama, linier dalam
variabel merupakan nilai rata-rata kondisional variabel tergantung yang
merupakan fungsi linier dari variabel (variabel) bebas. Sedang yang
kedua, linier dalam parameter merupakan fungsi linier parameter dan
dapat tidak linier dalam variabel.

B. Saran
Makalah yang penulis buat ini jauh dari kesempurnaan baik dari
segi buku referensi, penulisan apalagi kata-kata yang tidak terurai dengan
baik. Penulis mengharap kritikan dan saran untuk kesempurnaan makalah
ini.

18
 DAFTAR PUSTAKA

Arnita, Pengantar Statistika, Bandung: Citapustaka Media Perintis, 2013,

hal: 142
Dikutip dari: http://teratainear.blogspot.com/p/makalah-regresi-dan-
korelasi.html.
Sunardi Nur, Pengantar Statistika, Jakarta: Bumi Aksara, 2009
https://www.academia.edu/45336348/MAKALAH_ANALISIS_REGRESI.