ANALISIS REGRESI

SEJARAH REGRESI

Istilah Regresi diperkenalkan oleh Fancis

Galtom :

“Meskipun ada kecenderungan bagi orang tua

yang tinggi mempunyai anak-anak yang tinggi,
dan bagi orang tua yang pendek mempunyai anak
yang pendek, distribusi tinggi dari suatu populasi
tidak berubah secara menyolok (besar) dari
generasi ke generasi”.

Regresi = “Kemunduran ke arah sedang”

ILUSTRASI
Pengertian Regresi
 Jika kita mempunyai data yang terdiri atas dua atau
lebih variabel, 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 merupakan studi ketergantungan satu

atau lebih variabel bebas (independent) terhadap
variabel tidak bebas (dependent). Dengan maksud untuk
meramalkan nilai variabel tidak bebas.
Jenis analisis regresi

• Berdasarkan jumlah variabel bebas :

Ada 1 variabel bebas - regresi sederhana
Ada > 1 variabel bebas - regresi berganda

• Berdasar sifat hubungan kedua variabel :

Bersifat linier - regresi linier
Bersifat non-linier - regresi non linier
Jenis analisis regresi

• Berdasar skala pengukuran variabel bebas dan terikat :

 Semua Var. terikat dan var. bebas interval/rasio -
regresi standar
 Var. terikat dan sebagian var. bebas interval tapi ada
sebagian var. bebas nominal/ordinal - regresi
dummy
 Var. terikat berskala nominal/ordinal - regresi
logistik/ordinal
Model Regresi Linier

Regresi linier Regresi linier

Diharapkan untuk populasi
untuk sampel
berlaku untuk

Yˆ  a  b . X
populasi
 y . x  1   2 . X
 Model Regresi Non Linier :
• Regresi Pangkat dua diharapkan berlaku untuk populasi
ˆ
Y  a  b . X  c. X 2  y.x  1   2 . X   2 . X 2

Diharapkan berlaku untuk

• Regresi Parabola Kubik
Yˆ  a  b . X  c. X 2  d . X 3  y. x  1   2 . X   3 . X 2   4 . X 3

• Regresi eksponen populasi

Yˆ  a .b X  y . x   1 . 2 X

atau

log Yˆ  log a  (log b) . X log  y. x  log 1  (log 2 ). X

 Model Regresi Non Linier :
• Regresi Geometrik Diharapkan berlaku untuk populasi
Yˆ  a . X b   . X  2 y. x 1
atau
log Yˆ  log a  b.(log X ) log  y. x  log 1   2 .(log X )

Diharapkan berlaku untuk

• Regresi logistik
1 1
Yˆ  populasi
 y. x 
a .b X 1   2 X
atau
1 1
log  log a  (log b) . X log  log 1  (log 2 ). X
Yˆ  y. x
• Regresi Hiperbola
1 1
Yˆ   y. x 
a  b. X 1   2 . X
Metode Regresi
1. METODE TANGAN BEBAS (DIAGRAM SEBAR)
(Free Hand Method)
Metode ini dengan memperhatikan letak titik-titik Sumbu Y
dalam diagram, bentuk regresi dapat diperkirakan.
• Regresi linier
Jika letak titik-titik itu Regresi
sekitar garis lurus linier

Sumbu X

• Regresi non linier

Jika letak titik-titik itu
sekitar garis lengkung
Sumbu Y

Metoda tangan bebas ini memberikan hasil

regresi yang berbeda tiap orang, tergantung
pada pertimbangan pribadi masing-masing, di
samping itu metoda ini dapat dipakai untuk Regresi
menolong menentukan dugaan regresi lengkun
apakah linier atau tidak g

Sumbu X
 Metode Regresi
2. METODA KUADRAT TERKECIL (Least Square Method)
Cara ini berpangkal pada kenyataan bahwa jumlah pangkat dua (kuadrat) daripada jarak
antara titik-titik dengan garis regresi yang sedang dicari harus sekecil mungkin
• Regresi Linier
(Yi ).(X i2 )  (X i )(X i Yi )
a
Yˆ  a  b . X n.X i2  (X i ) 2
n.X i Yi  (X i ).(Yi )
b
n.X i2  (X i ) 2
• Model Parabola Kuadratik

Yi  n.a  b.X i  c.X i2

Yˆ  a  b . X  c. X 2 X i Yi  a.X i  b.X i2  c.X i3
Setelah proses
subsitusi, maka X i2Y  a..X i2  b.X i3  c.X i4
didapatkan nilai-
nilai : a, b, & c,
Metode Regresi
• Model Parabola Kubik Yi  n.a  b.X i  c.X i2  d .X i3
Yˆ  a  b . X  c. X 2  d . X 3 X i Yi  a.X i  b.X i2  c.X i3  d .X i4
X i2Y  a..X i2  b.X i3  c.X i4  d .X i5
X i3Y  a..X i3  b.X i4  c.X i5  d .X i6
• Model eksponen

Yˆ  a .b X log Yˆ  log a  (log b) . X

 log Yi   Xi 
log a   (log b). 
n  n 
n. ( X i . log Yi )  ( X i ).( log Yi )
atau log b 
n.  X i2  ( X ) i2

Yˆ  a .e bX ln Yˆ  ln a  b . X

• Model Geometrik
Yˆ  a . X b log Yˆ  log a  b.(log X )
 log Yi   Xi 
log a   b . 
n  n 
n. ( X i . log Yi )  (log  X i ).( log Yi )
b
n.( log 2 X i2 )  (log  X ) i2
Metode Regresi
• Model logistic
1 1
Yˆ  log
ˆ
 log a  (log b) . X
a .b X Y 1
 log
Yi   Xi 
log a   (log b). 
n  n 
1 1
n. ( X i . log )  ( X i ).( log )
Yi Yi
log b 
n.  X i2  ( X ) i2
• Model Hiperbola

1 1 1
Yˆ  ( ).(X i2 )  (X i )( X i . )
a  b. X a
Yi Yi
n.X i2  (X i ) 2
1 1
n.  X i  (X i ).( )
Yi Yi
b
n.X i2  (X i ) 2
Contoh Penerapan Analisis Regresi
1. Analisis Regresi antara tinggi orang tua terhadap tinggi
anaknya (Gultom).
2. Analisis Regresi antara pendapatan terhadap konsumsi
rumah tangga.
3. Analisis Regresi antara harga terhadap penjualan barang.
4. Analisis Regresi antara tingkat upah terhadap tingkat
pengangguran.
5. Analisis Regresi antara tingkat suku bunga bank terhadap
harga saham
6. Analisis regresi antara biaya periklanan terhadap volume
penjualan perusahaan.
Contoh Penerapan Analisis Regresi
7. Analisis Regresi antara nilai ujian terhadap nilai tugas
siswa.
8. Analisis Regresi antara hasil belajar siswa terhadap nilai
UKG guru.
9. Analisis Regresi antara tingkat pemahaman siswa dengan
nilai IQ siswa tersebut.
10. Dll.
ANALISIS REGRESI LINIER
Macam hubungan antara 2 variabel
• Pada dasarnya hubungan antar 2 variabel dapat
dibedakan atas:
1. Hubungan searah/positif
2. Hubungan bersifat kebalikan/negatif
3. Tidak ada hubungan
Hubungan searah/positif
• Hubungan yang searah diartikan apabila perubahan
variabel x (independent) akan mempengaruhi variabel
y (dependent) yang searah.
Atau jika variabel x bertambah, maka variabel y
bertambah pula, dan sebaliknya.

• Contoh :
a. hubungan antara pengeluaran iklan (x) dan jumlah
penjualan (y).
b. Hubungan antara penghasilan (X) dan pengeluaran
konsumsi (Y)
Hubungan bersifat kebalikan/negatif
• Dua variabel dikatakan mempunyai hubungan yang bersifat
kebalikan atau negatif, apabila perubahan variabel
independent (x) akan mempengaruhi variabel dependent (Y)
pada arah yang berlawanan.
• Artinya apabila variabel x bertambah, maka variabel y
berkurang atau sebaliknya, jika variabel x berkurang maka
variabel y bertambah.
Contoh :
a. Hubungan antara usia kendaraan (X) dengan tingkat harga
(Y).
b. Hubungan antara harga barang (X) dengan jumlah yang
diminta (Y)
Tidak ada hubungan
• Dua variabel dikatakan tidak punya hubungan apabila
perubahan pada variabel independent (x) tidak
mempengaruhi perubahan pada variabel dependent
(y).

• Contoh :
Hubungan antara konsumsi pangan (x) dengan
tingginya gedung (y).
 Istilah dan notasi variabel dalam
regresi ?
Y X
• Varaibel tergantung (Dependent • Varaibel bebas (Independent
Variable) Variable)
• Variabel yang dijelaskan • Variabel yang menjelaskan
(Explained Variable) (Explanatory Variable)
• Variabel yang diramalkan • Variabel peramal (Predictor)
(Predictand) • Variabel yang meregresi
• Variabel yang diregresi (Regressor)
(Regressand) • Variabel perangsang atau kendali
• Variabel Tanggapan (Response) (Stimulus or control variable)
Persamaan Regresi
Persamaan Regresi
linier Sederhana:
n( XY )  ( X )( Y )
Y = a + bX +  b
n(  X 2 )  (  X ) 2
Y = Nilai yang diramalkan
a
b
= Konstansta
= Koefesien regresi a
 Y  b( X )
X = Variabel bebas n
 = Nilai Residu
Pembacaan persamaan regresi
Contoh: Jika persamaan regresi ditunjukkan dengan
persamaan :

y  2,94  0,95 x
maka dapat diartikan bahwa :
hasil besar variabel y akan bertambah sebesar 0,95
pada setiap kenaikan variabel x sebanyak 1 satuan.
Tanpa pengaruh varibel x (x bernilai nol), varibel y
bernilai tetap/konstan atau tidak berubah yaitu
memiliki nilai sebesar 2,94.
Contoh Kasus:
Seorang peneliti meneliti apakah terdapat
pengaruh lama waktu penjemuran terhadap nilai
indeks retak suatu bahan.

Untuk kepentingan penelitian tersebut diambil

data pada sampel 8 bahan secara acak pada suatu
siklus eksperimen.
 Pemecahan
1. Judul
Pengaruh lama waktu penjemuran terhadap
nilai indeks retak bahan.

2. Pertanyaan Penelitian
• Apakah terdapat pengaruh positif lama waktu
penjemuran terhadap nilai indeks retak bahan?

3. Hipotesis
• Terdapat pengaruh positif lama waktu
penjemuran terhadap nilai indeks retak bahan.
4. Kriteria Penerimaan Hipotesis
Ho : Tidak terdapat pengaruh positif lama waktu
penjemuran terhadap nilai indeks retak bahan.
H1 : Terdapat pengaruh positif lama waktu penjemuran
terhadap nilai indeks retak bahan.

• Ho diterima Jika
b ≤ 0, t hitung ≤ tabel

• H1 diterima Jika
b > 0, t hitung > t tabel.
5. Sampel
8 bahan sampel

6. Data Yang dikumpulkan

Nilai indeks retak bahan (Y) 64 61 84 70 88 92 72 77

lama waktu penjemuran (X) 20 16 34 23 27 32 18 22

7. Analisis Data
Untuk analisis data diperlukan, perhitungan:
1. Persamaan regresi
2. Nilai Prediksi
3. Koefesien determinasi
4. Kesalahan baku estimasi
5. Kesalahan baku koefesien regresinya
6. Nilai F hitung
7. Nilai t hitung
8. Kesimpulan
Persamaan Regresi
Y X XY X2 Y2
64 20 1280 400 4096
61 16 976 256 3721
84 34 2856 1156 7056
70 23 1610 529 4900
88 27 2376 729 7744
92 32 2944 1024 8464
72 18 1296 324 5184
77 22 1694 484 5929
608 192 15032 4902 47094
Persamaan Regresi
n( XY )  ( X )( Y )
b
n(  X 2 )  (  X ) 2

8(15032)  (192)(609)
b  1,50
8(4902)  (192) 2

a
 Y  b( X )
n
(608)  1,50(192)
a  40
8
Persamaan Regresinya :

Y= 40 + 1,5 X + e
Nilai Prediksi
• Berapa besarnya nilai indeks retak bahan jika lama waktu penjemuran 20?
40,082 + (1,497*20)= 70,022
• Berapa besarnya nilai indeks retak bahan jika lama waktu penjemuran 16?
40,082 + (1,497*16)=64,034
• Berapa besarnya nilai indeks retak bahan jika lama waktu penjemuran 34?
40,082 + (1,497*34)= 90,98
• Berapa besarnya nilai indeks retak bahan jika lama waktu penjemuran 23?
40,082 + (1,497*23)= 74,513
• Berapa besarnya nilai indeks retak bahan jika lama waktu penjemuran 27?
40,082 + (1,497*27)=80,501
• Berapa besarnya nilai indeks retak bahan jika lama waktu penjemuran 32?
40,082 + (1,497*32)= 87,986

Dan seterusnya…………………….!!!
No Y X XY X2 Y2 Ypred Yrata (Y-Ypred)2 (Y-Yrata)2

1 64 20 1280 400 4096 70.022 36.264 144

2 61 16 976 256 3721 64.034 9.205 225

3 84 34 2856 1156 7056 90.98 48.720 64

4 70 23 1610 529 4900 74.513 20.367 36

76
5 88 27 2376 729 7744 80.501 56.235 144

6 92 32 2944 1024 8464 87.986 16.112 256

7 72 18 1296 324 5184 67.028 24.721 16

8 77 22 1694 484 5929 73.016 15.872 1

Jlh 608 192 15032 4902 47094 608.08 227.497 886

Koefesien Determinasi
• Adalah alat utama untuk mengetahui sejauh mana
tingkat hubungan antara variabel x dan y.
• Nilai koefisien determinasi antara 0  𝑟 2  1
• Nilai koefisien determinasi 𝑟 2 = 1 menunjukkan
hubungan sempurna.
• Nilai koefisien determinasi 𝑟 2 = 0 menunjukkan tidak
ada hubungan.
• 𝑟 2 = 0,81 artinya 81% perubahan dari variabel y
ditentukan oleh variabel x.
Koefesien Determinasi
Koefesien determinasi:

r 2
 1
 (Y  Y )
pred
2

 (Y  Y ) 2

(227,497)
r  1
2
 0,743
(886)
Kesalahan Baku Estimasi
Digunakan untuk mengukur tingkat kesalahan dari
model regresi yang dibentuk.

Se 
 (Y  Y pred ) 2

nk

(227,467)
Se   6,16
82
Standar Error Koefesien Regresi
Digunakan untuk mengukur besarnya tingkat kesalahan dari
koefesien regresi:

Se
Sb 
X2 
2
( X )
n

6,1576
Sb   0,36
2
(192)
(4902) 
8
Uji F

Uji F digunakan untuk uji ketepatan model, apakah nilai prediksi mampu
menggambarkan kondisi sesungguhnya (ambil α = 5%):

Ho: Diterima jika F hitung < F tabel

Ho ditolak jika sebaliknya

F
r 2 /(k  1)
F
0,7432 /(2  1)  50,15
1  r 2 /(n  k ) (1  0,743 ) /(8  2))
2

Ftabel = F(α; (k-1); (n-k)) = F(0.05; 1; 6) = 5,99

Karena Fhitung (50,15) > dari Ftabel (5,99) maka persamaan regresi telah
mampu menunjukkan kondisi sesungguhnya.
Uji t
Digunakan untuk mengetahui pengaruh variabel bebas
terhadap variabel tergantung.
Ho: Diterima jika t hitung < t tabel
Ho ditolak jika sebaliknya

b 1,497
t hitung  t hitung   4,17
Sb 0,359

𝑡𝑡𝑎𝑏𝑒𝑙 untuk 𝛼 = 0,05 dan 𝜐 = n – k = 8 - 2 = 6  𝑡(0,05 ;6) = 1,943

Karena t hitung (4,167) > dari t tabel (1,943) maka Ho ditolak
Kesimpulan :
ada pengaruh positif lama waktu penjemuran terhadap nilai indeks
retak bahan.
KESIMPULAN
KESIMPULAN
Terdapat pengaruh positif lama waktu
penjemuran terhadap nilai indeks retak bahan.
Soal
Tabel berikut memperlihatkan hubungan antara jumlah grid pemotongan data
(X) dengan persentase kecocokan data dengan nilai aktual (Y).

X 3 4 5 6 7 8 9
Y 60 55 65 60 65 70 80
dapatkanlah :

a. Hipotesis pengecekan
b. Persamaan regresi
c. Koefisien determinasi
d. Kesalahan baku estimasi
e. Kesalahan baku koefisien regresi
f. Ketepatan pendekatan regresi
g. Hubungan antara variable X dan Y
h. Kesimpulan akhir