ANALISIS REGRESI SEDERHANA

Disusun guna memenuhi tugas mata kuliah Teknik Proyeksi Bisnis

Dosen Pengampu :
Shitta Nur Safarina, S.Pt., M.M

Oleh :
1. Shinta Wulandari (1121210131)
2. Gavin Aryasatya (1121210144)
3. Retno Arini (1121210156)
4. Syafira Izzati (1121210164)
5. Zaidan Daffa M (1121210177)

KELAS GMP
PROGRAM STUDI STRATA 1 MANAJEMEN
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS PANCASILA
TAHUN 2023

I
 KATA PENGANTAR

Puji syukur kami panjatkan kepada Tuhan Yang Maha Esa, karena atas limpahan
rahmatnya penyusun dapat menyelesaikan makalah ini tepat waktu tanpa ada halangan yang
berarti dan sesuai dengan harapan.
Ucapan terima kasih kami sampaikan kepada Ibu Shitta Nur Safarina sebagai dosen
pengampu mata kuliah Tehnik Proyeksi Bisnis yang telah membantu memberikan arahan dan
pemahaman dalam penyusunan makalah ini.
Kami menyadari bahwa dalam penyusunan makalah ini masih banyak kekurangan karena
keterbatasan kami. Maka dari itu penyusun sangat mengharapkan kritik dan saran untuk
menyempurnakan makalah ini. Semoga apa yang ditulis dapat bermanfaat bagi semua pihak
yang membutuhkan.

Jakarta, 10 Desember 2023

Penulis

II
 DAFTAR ISI

KATA PENGANTAR .............................................................................................................................................. II

DAFTAR ISI.............................................................................................................................................................. III
BAB I ............................................................................................................................................................................ 1
PENDAHULUAN ..................................................................................................................................................... 1
1.1 Latar Belakang........................................................................................................................................ 1
1.2 Rumusan Masalah ................................................................................................................................. 2
1.3 Tujuan Penulisan .................................................................................................................................... 2
BAB II .......................................................................................................................................................................... 3
PEMBAHASAN ........................................................................................................................................................ 3
2.1 Pengertian Regresi ........................................................................................................................................ 3
2.2 Regresi Sederhana ........................................................................................................................................ 5
2.3 Analisis Regresi Linear Sederhana untuk Data Deret Waktu ........................................................ 7
BAB III.......................................................................................................................................................................22
PENUTUP .................................................................................................................................................................22
3.1 Kesimpulan ...................................................................................................................................................22
DAFTAR PUSTAKA .............................................................................................................................................23

III
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Penggunaan istilah statistika berakar dari istilah dalam bahasa latin moderen statisticum
collegium (” Dewan Negara”) dan bahasa Italia statista (“Negarawan atau Politikus”).
Gottfried Achenwall (1749). Menggunakan statistic dalam bahasa Jerman untuk pertama
kalinya sebagai nama bagi kegiatan analisis data kenegaraan, dengan mengartikannnya
sebagai “lmu Tentang egara (state)”. Di Indonesia, kajian statistika sebagian besar masuk
dalam Fakultas Matematika dan Ilmu Pengetahuan Alam,baik dalam departemen sendiri
maupun tergabung dengan matematika.
Regresi adalah peramalan, penaksiran, atau pendugaan pertama kali di perkanlkan pada
tahun 1877 oleh Sir Francis Galton (1822-1911). Sehubungan dengan penelitian nya
terhadap tinggi manusia. Penelitian tersebut membandingkan antara tinggi anak laki-laki
dengan tinggi badan ayahnya. Penggunaan statistika dalam mengolah data penelitian
berpengaruh terhadap tingkat analisis hasil penelitian. Penelitian-penelitian dalam bidang
ilmu pengetahuan alam (IPA) yang menggunakan perhitungan-perhitungan statistika, akan
menghasilkan data yang mendekati benar jika memperhatikan tata cara analisis data yang
digunakan. Dalam memprediksi dan mengukur nilai dari pengaruh satu variabel
(bebas/independent/ predictor) terhadap variabel lain (tak bebas/dependent/response) dapat
digunakan uji regresi. Analisis/uji regresi 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. Analisis/uji regresi banyak digunakan dalam perhitungan hasil akhir untuk
penulisan karya ilmiah/penelitian. Hasil perhitungan analisis/uji regresi akan dimuat dalam
kesimpulan penelitian dan akan menentukan apakah penelitian yang sedang dilakukan
berhasil atau tidak. Analisis perhitungan pada uji regresi menyangkut beberapa perhitungan
statistika seperti uji signifikansi (uji-t, uji-F), anova dan penentuan hipotesis. Hasil dari
analisis/ uji regresi berupa suatu persamaan regresi. Persamaan regresi ini merupakan suatu
fungsi prediksi variabel yang mempengaruhi variabel lain.
Secara umum ada dua macam hubungan antara variable atau lebih, yaitu bentuk
hubungan dan keeratan hubungan. Untuk mengetahui bentuk hubungan digunakan analisis
regresi. Untuk keeratan hubungan dapat diketahui dengan analisis korelasi. Analisis regresi
digunakan untuk menelaah hubungan antara dua variabel atau lebih, terutama menelusuri
pola hubungan yang modelnya belum diketahui dengan sempurna, atau untuk mengetahui
bagaimana variasi dari beberapa variabel independen mempengaruhi variabel dependen
dalam suatu fenomena yang kompleks. Model regresi linear merupakan model yang paling
umum untuk menggambarkan hubungan antara dua variable yaitu variable dependen
dengan variable independent. Aplikasinya sangat banyak ditemui dalam berbagai bidang.
Dalam bidang sosial ekonomi, maupun bidang-bidang lainnya, sering kita ingin
mengetahui bagaimana hubungan pengaruh dari variable yanh satu terhadap variable

1
 lainnya. Misalnya, bagaimana pengaruh pendapatan terhadap konsumsi suatu barang, juga
dapat dikembangkan lagi misalnya bagaimana pengaruh pendapatan dan harga terhadap
konsumsi, bagaimana pengaruh harga terhadap hasil penjualan, dan sebagainya.

1.2 Rumusan Masalah

1. Apa yang dimaksud Regresi?
2. Bagaimana cara menganalisis Regresi Sederhana?
3. Bagaimana metode perhitungan Regresi Sederhana?

1.3 Tujuan Penulisan

1. Untuk mengetahui Regresi Sederhana
2. Untuk mengetahui menganalisis Regresi Sederhana
3. Untuk mengetahui perhitungan Regresi Sederhana

2
 BAB II
PEMBAHASAN

2.1 Pengertian Regresi

Bila kita mempunyai data dua variabel atau lebih, adalah sewajarnya untuk mencari
suatu cara bagaimana variabel-variabel itu berhubungan. Hubungan yang diperoleh
dinyatakan dalam bentuk persamaan matematika yang menyatakan hubungan fungsional
antara variabel-variabelnya. Para ilmuwan, seperti psikolog dan sosiolog selalu
berkepentingan terhadap persoalan peramalan. Pengertian persamaan regresi yaitu
merupakan persamaan matematika yang memungkinkan untuk meramalkan suatu
variabel terikat dari nilai-nilai atau lebih dari satu variabel bebas. Istilah ini berasal dari
kajian yang dilakukan oleh Sir Francis Galton yang membandingkan tinggi badan anak
laki-laki dengan ayah yang tinggi. Setelah beberapa generasi berikutnya terdapat
kecenderungan mundur (regressed) mendekati nilai tengah populasi. Analisis regresi
banyak digunakan sebagai sebuah analisis proyeksi berdasarkan studi ketergantungan
variabel terikat dengan satu atau lebih variabel bebas. Variabel bebas adalah variabel
yang mempengaruhi variasi perubahan variabel tergantung. Variabel tergantung adalah
variabel yang dipengaruhi oleh variasi perubahan pada variabel bebas.
Istilah Variabel bebas dan Variabel Tergantung :
Variabel Yang Dipengaruhi (Y)
• Variabel tergantung (dependent variable)
• Variabel yang dijelaskan (Explained variable)
• Variabel yang diramalkan (Predictand variable)
• Variabel yang diregresi
• Variabel Tanggapan

Variabel Yang Mempengaruhi (X)

• Variabel bebas
• Variabel yang menjelaskan
• Variabel peramal (predictor)
• Variabel yang meregresi
• Variabel perangsang atau kendali (stimulus or control variable)
Dengan menggunakan analisis regresi akan diperoleh koefisien untuk setiap
variabel bebasnya. Dengan diperolehnya koefisien regresi maka diharapkan akan dapat
diperoleh nilai variabel tergantung yang meminimumkan penyimpangan.
Pembangunan model regresi harus didasarkan pada hubungan kausalitas atau hubungan
sebab akibat. Dalam analisis regresi tidak diperbolehkan untuk menguji suatu hubungan
yang bersifat identitas ( bentuk hubungan yang bukan disebabkan oleh adanya
fenomena sebab akibat tetapi disebabkan sebuah persamaan yang telah dibentuk).
Contoh fenomena bisnis yang menunjukkan hubungan sebab akibat:
1. Hubungan antara biaya promosi dengan volume penjualan
2. Hubungan antara harga baranag dengan jumlah permintaan

3
3. Hubungan antara tingkat pendapatan rumah tangga pengeluaran rumah tangga
Hubungan antara upah dengan produktivitas.
Contoh hubungan yang menunjukkan hubungan identitas :
1. Hubungan antara likuiditas dengan aktiva lancar
2. Hubungan produktivitas dengan hasil produksi
3. Hubungan antara upah yang diterima dengan hasil produksi
Metode Diagram Pencar

Gambar 1. Diagram pencar pola kecenderungan Searah

Diagram diatas menunjukan hubungan antara variabel bebas dengan variabel tergantung
positif atau searah dimana jika nilai variabel bebas (X) meningkat maka akan diikuti dengan
peningkatan nilai variabel tergantung (Y).

4
Diagram pencar di atas menunjukkan hubungan antara variabel bebas dengan variabel
tergantung negatif atau berlawanan arah dimana nilai jika variabel bebas (X) meningkat
maka akan diikuti dengan penurunan nilai variabel tergantung (Y).

Diagram pencar di atas menunjukkan hubungan antara variabel bebas dengan variabel
tergantung yang tidak berpola atau acak, dimana jika variabel bebas (X) meningkat
tidak pasti diikuti dengan penurunan atau kenaikan nilai variabel tergantung (Y).

2.2 Regresi Sederhana

Regresi pada umumnya digunakan untuk keperluan uji hipotesis yang berkaitan
dengan prediksi dan eksplanasi. Contoh pemakaian analisis regresi untuk keperluan
prediksi adalah penggunaan skor tes SNMPTN untuk memprediksikan atau meramalkan
keberhasilan belajar calon mahasiswa di perguruan tinggi, sedangkan pemakaian analisis
regresi untuk keperuan eksplanasi adalah untuk mengungkapkan faktor-faktor yang
menentukan suatu fenomena. Misalnya, untuk mengungkapkan faktor-faktor yang
mempengaruhi prestasi belajar seseorang. Permasalahan pertama tentang prediksi dan
permasalahan yang kedua tentang eksplanasi, keduanya bisa diselesaikan dengan teknik
analisis regresi. Pada dasarnya teknik ini berusaha menganalisis peranan setiap ubahan
(prediktor) dalam menentukan besarnya varians dari suatu ubahan yang ada pada
fenomena yang diteliti.
Seperti pada teknik korelasi, teknik analisis regresi menggunakan asumsi adanya
hubungan yang linier atau berupa garis lurus antara variabel prediktor dengan variabel
kriterium. Teknik analisis regresi yang menggunakan asumsi hubungan linier disebut
regresi linier.
Persamaan regresi linier sederhana merupakan suatu model persamaan yang
menggambarkan hubungan satu variabel bebas/ predictor (X) dengan satu variabel tak
bebas/ response (Y), yang biasanya digambarkan dengan garis lurus, seperti disajikan
pada Gambar 1.

5
Persamaan regresi linier sederhana

Dimana :
Y = Nilai yang diramalkan
a = konstanta/intercept
b = Koefisien/slope
X = Variabel bebas
ε = Nilai residu
Nilai a (konstanta) dan nilai b (koefisien regresi) dalam persamaan diatas
ditentukan dengan rumus sebgai berikut :

 Y b(  X )
a= −
n n

n( XY ) − ( X )( Y )
b=
n(  X ) − (  X )
2 2

Berdasarkan rumus regresi diatas, dapat dihitung koefisien a atau b

terlebihdahulu. Jika dihitung koefisien b terlebih dahulu, maka selanjutnya koefisien
adapat dihitung dari koefisien b dengan rumus sebagai berikut :
a = Y – By
Beberapa hal yang perlu dianalisis berkaitan dengan analisis regresi adalah sebagai
berikut :
1. Persamaan regresi
Persamaan ini digunakan untuk menggambarkan model hubungan antara variabel
bebas dengan variabel tergantungnya. Persamaan regresi ini memuat nilai konstanta
atau intercept nilai koefisien regresi atau slope dan variabel bebasnya.

6
 2. Nilai prediksi
merupakan besarnya nilai variabel tergantung yang diperoleh dari prediksi dengan
menggunakan persamaan regresi yang telah dibentuk.
3. Koefisien determinasi
merupakan besarnya kontribusi variabel bebas terhadap variabel tergantungnya.
Semakin tinggi koefisien determinasi maka semakin tinggi kemampuan variabel bebas
dalam menjelaskan variasi perubahan pada variabel tergantungnya.

4. Kesalahan baku estimasi

Merupakan satuan yang digunakan untuk menentukan besarnya tingkat
penyimpangan dari persamaan regresi yang terbentuk dengan nilai senyatanya.

5. Kesalahan baku koefisien regresi

Merupakan satuan yang digunakan untuk menunjukkan tingkat penyimpangan
dari masing-masing koefisien regresi. Semakin tinggi kesalahan baku koefisien regresi
semakin lemah kemampuan variabel tersebut untuk diikutkan dalam model persamaan
regresi (semakin tidak berpengaruh)

6. Nilai F hitung
digunakan untuk menguji pengaruh secara simultan variabel bebas terhadap
variabel tergantungnya. Jika variabel bebas memiliki pengaruh simultan terhadap
variabel tergantung maka model persamaan regresi masuk dalam goodness of fit.

7. Nilai thitung

digunakan untuk menguji pengaruh secara parsial (per variabel) terhadap

variabel tergantungnya, apakah variabel tersebut memilikipengaruh yang berarti
terhadap variabel tergantungnya atau tidak.

8. Kesimpulan

merupakan pernyataan singkat berdasarkan hasil analisis apakah variabel bebas

yang diuji memiliki pengaruh yang berarti terhadap variabel tergantung atau tidak.
Disamping itu kesimpulan juga menyatakan apakah model regresi yang terbentuk
masuk dalam kategori tepat (goodness of fit) atau tidak.

2.3 Analisis Regresi Linear Sederhana untuk Data Deret Waktu

Pengertian data deret waktu adalah data yang disusun berdasarkan urutan waktu
atau data yang dikumpulkan dari waktu ke waktu. Waktu yang digunakan dapat berupa
minggu, bulan, tahun dan sebagainya. Deret waktu merupakan serangkaian data
pengamatan yang berasal dari satu sumber tetap dan terjadi berdasarkan indeks waktu
t secara beruntun dengan interval waktu yang tetap (Cryer, 1986). Contoh kasus :

7
 Mr. Slamet seorang manajer Perusahaan Motor ingin mengetahui pengaruh
promosi terhadap volume penjualan. Untuk keperluan tersebut Mr Slamet mengambil
data sebagai berikut :

a. Perumusan masalah

Apakah terdapat pengaruh positif promosi terhadap volume penjualan?

b. Hipotesis

Ho : Tidak terdapat pengaruh positif promosi terhadap volume penjualan.

Ha : terdapat pengaruh positif promosi terhadap volume penjualan.

c. Kriteria pengujian :

Ho diterima jika : thitung < ttabel

Ha diterima apabila : thitung > ttabel

d. Analisis data

1. Mencari persamaan regresi dengan cara manual

Gambar 2. Lembar Kerja Analisis Regresi

Berdasarkan data diatas dapat diketahui

 X = 84  Y = 753
 X = 680
2
 XY = 6077

8
Dengan demikian besarnya koefisien regresi adalah sebagai berikut

n( XY ) − ( X )( Y ) Y b(  X )
b= a= −
n(  X ) − (  X )
2 2
n n
12(6077) − (84)(753) 753 − 8761(84)
b= a=
12(680) − (84) 2
12
b = 8,761 a = 1,424

Sehingga persamaan regresinya adalah

2. Mencari Nilai prediksi

Untuk menghitung nilai prediksi, kita harus memasukkan nilai variabel
bebas setiap sampel (case) kedalam persamaan regresi yang telah terbentuk.

9
 Lembar kerja analisis regresi untuk mencari niai prediksi

Keterangan:
Ypred1 = 1,424 + 8,761*(2) = 18,946
Ypred2 = 1,424 + 8761*(3) = 27,707
Ypred3 = 1,424 + 8761*(4) = 36,468 dan seterusnya…………

Koefisien Determinasi (R2)

Formula untuk menghitung besarnya koefisien determinasi adalah sebagai berikut :

R 2
= 1−
 (Y − Y^) 2 = Kuadrat selisih nilai Y riil dengan nilai Y prediksi

 (Y − Y ) 2 = Kuadrat selisih nilai Y riil dengan nilai Y rata-rata

10
 Lembar kerja Analisis Regresi untuk Mencari Koefisien Determinasi

 (Y − Y )
2
916,99
R =1−
2
=1− = 0,885
 (Y − Y ) 79782
,3

11
 Interpretasi :
⚫ Koefisien Determinasi (R2) sebesar 0,885 berarti 88,5% penjualan dipengaruhi oleh
promosi sedangkan sisanya dipengaruhi variabel lain diluar model (variabel yang
tidak diteliti)
⚫ Koefisien determinasi memiliki kelemahan, yaitu bias terhadap jumlah variabel bebas
yang dimasukkan dalam model regresi, dimana setiap penambahan satu variabel bebas
dan pengamatan dalam model akan meningkatkan nilai R2 meskipun variabel yang
dimasukkan tersebut tidak memiliki pengaruh yang signifikan terhadap variabel
tergantungnya. Untuk mengurangi kelemahan tersebut maka digunakan koefisien
determinasi yang telah disesuaikan Adjusted R Square (R2 adj)
⚫ Koefisien determinasi yang telah disesuaikan Adjusted R Square (R2 adj) adalah
koefisien tersebut telaah dikoreksi dengan memasukkan unsur jumlah variabel dan
ukuran sampel yang digunakan. Sehingga nilai koefisien determinasi yang disesuaikan
tersebut dapat naik atau turun dengan adanya penambahan variabel baru dalam model.
Formula untuk menghitung koefisien determinasi yang disesuaikan adalah :
Keterangan:
P (1 − R 2 )
R 2 adj =R −
2
R2 = Koefisien determinasi
N − P − 1N = Ukuran Sampel
P = Jumlah variabel bebas
Sehingga jika besarnya koefisien determinasi yang disesuaikan dapat dihitung
sebagai berikut :
P (1 − R ) 2

R 2
adj =R −
2

N − P −1
1(1 − 0,885)
R adj = 0,885 −
2
= 0,874
12 − 1 − 1

Kesalahan Baku Estimasi (Standard Error of Estimate)

Kesalahan baku estimasi merupakan satuan yang digunakan untuk mengukur
tingkat penyimpangan antara persamaan regresi dengan nilai riilnya.

Se =
 (Y − Y ) 2

n−k
Keterangan :
Se = Kesalahan baku estimasi
(Y-Y)2 = Kuadrat selisih nilai Y riil dengan nilai Y prediksi

12
N = Ukuran sampel
K = Jumlah variabel yang diamati

Untuk lembar kerja diatas maka dapat ditentukan besarnya penyimpangan baku
estimasi yaitu :

 (Y − Y )
2
916,989
Se = = = 9,576
n−k 12 − 2

Semakin rendah nilai kesalahan baku estimasi menunjukkan bahwa model

persamaan regresi tersebut semakin baik untuk digunakan sebagai proyeksi. Sebaliknya,
semakin tinggi nilai kesalahan baku estimasi, semakin jelek persamaan regresi tersebut
untuk membuat proyeksi

Kesalahan Baku Koefisien Regresi

Untuk mengukur besarnya penyimpangan dari masingmasing koefisien regresi.
Semakin rendah kesalahan bakunya, semakin berperan variabel tersebut dalam model
dan sebaliknya.
Jika model estimasi : Y = a + bx + e, kesalahan baku koefsien regresi b adalah :

Se
Sb =
( X ) 2

X −
2

n
Keterangan:
Sb = Kesalahan baku koefisien regresi
Se = Kesalahan baku estimasi
X
2
= Jumlah kuadrat variabel bebas
X =Jumlah nilai variabel bebas
n =Jumlah pengamatan (ukuran sampel)

13
 Untuk lembar kerja diatas maka dapat ditentukan besarnya kesalahan baku
koefisien regresinya yaitu :

Se 9,576
Sb = = = 0,998
( X ) 2
(84) 2

X − (680) −
2

n 12

Signifikansi Test
Jika telah ditentukan Koefisien Determinasi ( r2 ), maka selanjutnya dilakukan
uji signifikan hipotesis yang diajukan. Uji ini dapat menggunakan Uji-t ; Uji-F ; Uji-z
atau Uji Chi Kuadrat. Dengan uji signifikansi ini dapat diketahui apakah variable bebas/
predictor/ independent (X) berpengaruh secara signifikan terhadap variable tak bebas/
response/ dependent (Y). Arti dari signifikan adalah bahwa pengaruh antar varible
berlaku bagiseluruh populasi.

I. Nilai F Hitung
Nilai F hitung digunakan untuk menguji ketepatan model atau goodness of fit, apakah
model persamaan yang terbentuk masuk dalam kriteria good of fit atau tidak.
Uji F bertujuan untuk mencari apakah variabel independen secara bersama – sama
(stimultan) mempengaruhi variabel dependen. Uji F dilakukan untuk melihat pengaruh
dari seluruh variabel bebas secara bersama-sama terhadap variabel terikat. Tingakatan
yang digunakan adalah sebesar 0.5 atau 5%.
Untuk menyimpulkan apakah model masuk dalam kategori goodness of fit atau tidak,
kita harus membandingkan dengan nilai Fhitung dengan Ftabel dengan df (k-1), (n-k).
Adapun ketentuan dari uji F yaitu sebagai berikut (Ghozali, 2016) :

1. Jika nilai signifikan F < 0,05 maka H0ditolak dan H1 diterima. Artinya semua variabel
independent/bebas memiliki pengaruh secara signifikan terhadap variabel
dependen/terikat.
2. Jika nilai signifikan F > 0,05 maka H0 diterima dan H1 Artinya, semua variabel
independent/bebas tidak memiliki pengaruh secara signifikan terhadap variabel
dependen/terikat.

Rumus nilai F Hitung :

14
 2
R
(k − 1)
F=
1− R 2

(n − k )

Keterangan
F = Nilai Fhitung
R2 = Koefisien determinasi
K = Jumlah variabel
N = jumlah pengamatan (ukuran sampel)

Dengan menggunakan lembar kerja diatas maka besarnya nilai Fhitung dari
persamaan regresi yang terbentuk dapat dihitung sebagai berikut:

R2 0,885
(k − 1) (2 − 1)
F= = = 77,005
1− R 2
1 − 0,885
(n − k ) (12 − 2)

F tabel diperoleh dari F tabel : df:α, (k-1)(n-k)

Dimana k adalah jumlah variabel (bebas + terikat) dan n adalah jumlah

observasi/sampel pembentuk regresi.

15
 Dengan df:α, (k-1)(n-k) atau
0,05 (2-1),(12-2) diperoleh
besarnya nilai Ftabel sebesar
4,965

Dengan df:α, (k-1)(n-k) atau

0,05 (2-1),(12-2) diperoleh
besarnya nilai Ftabel sebesar
4,965

II. Nilai T hitung

Nilai t hitung digunakan untuk menguji apakah variabel tersebut berpengaruh secara
signifikan terhadap variabel tergantung atau tidak. Suatu variabel akan memiliki
pengaruh berarti jika nilai thitung variabel tersebut lebih besar dibanding nilai t tabel.
Langkah-langkah yang perlu dilakukan dalam uji-t pada regresi linier adalah :
1. Menentukan Hipotesis
H0 :β = 0; variabel X tidak berpengaruh signifikan/nyata terhadap Y
H1 : β ≠ 0; variabel X berpengaruh signifikan/nyata terhadap Y
2. Menentukan tingkat signifikansi ( α )
Tingkat signifikansi, α yang sering digunakan adalah α = 5% (α = 0,05)
3. Menghitung nilai t hitung menggunakan rumus

16
 Keterangan:
bj
t hitung = Bj = Koefisien regresi
Sbj
Sbj = Kesalahan baku koefisien
regresi
4. Adapun kriteria dari uji statistik t (Ghozali, 2016) :

1) Jika nilai signifikansi uji t > 0,05 maka H₀ diterima dan Ha ditolak. Artinya
tidak ada pengaruh antara variabel independen terhadap variaben dependen.
2) Jika nilai signifikansi uji t < 0,05 maka H₀ ditolak dan Ha diterima. Artinya
terdapat pengaruh antara variabel independen terhadap variabel dependen

5. Menentukan t table (mempergunakan table Uji-t,)

6. Kriteria Pengujian nilai t hitung dan t tabel
Bila nilai thit < ttab, maka H0 diterima, H1 ditolak
Bila nilai thit > ttab, maka H0 ditolak, H1 diterima
7. Kesimpulan hasil uji signifikansi.

Dengan menggunakan perhitungan koefisien regresi dan kesalahan baku regresi diatas
maka kita dapat menghitung besarnya nilai thitung sebagai berikut :

bj 8,761
thitung = = = 8,775
Sbj 0,998

17
 Karena nilai thitung (8,775) >
nilai t tabel (1,812) maka dapat
disimpulkan bahwa variabel
promosi memiliki pengaruh
yang berarti terhadap variabel
penjualan

Dengan df:α, (n-k) atau 0,05, (12-

2) diperoleh besarnya nilai t tabel
sebesar 1,812

Tabel Anova
Merupakan alat atau piranti yang dapat menggambarkan hubungan antara koefisien
korelasi, koefisien determinasi dan standard error pendugaan.
Contoh tabel ANOVA dengan 1 variabel bebas

18
Output Analisis Regresi dengan menggunakan Microsoft Excel

Keterangan hasil analisis :

1. Multiple R = 0,941
Artinya bahwa korelasi antara variabel bebas dengan vaiabel tergantungnya
sebesar 0,941.
2. R Square = 0,885
R Square atau koefisien determinasi sebesar 0,885 berarti bahwa variasi
penjualan dapat dijelaskan oleh variasi promosi sebesar 88,5% atau variabel promosi
mempengaruhi penjualan sebesar 88,5%.
3. Adjusted R Square = 0,874, berarti variasi penjualan dapat dijelaskan oleh
variasi promosi sebesar 87,4% atau variabel promosi mempengaruhi penjualan
sebesar 87,4%. Merupakan koefisien determinasi yang telah terkoreksi dengan jumlah
variabel sehingga dapat mengurangi unsur bias jika terjadi penambahan variabel
4. Standard Error = 9,576
Berarti bahwa penyimpangan antara persamaan regresi dengan nilai dependen
riilnya adalah sebesar 9,576 satuan variabel dependen. Semakin kecil nilai standard
errornya maka semakin baik persamaan regresinya.
5. Observation = 12, artinya jumlah pengamatan atau ukuran sampel yang
digunakan sebanyak 12
6. Df regression (Degree of freedom regression) = 1 karena nilai k-1, jumlah
variabel dikurangi 1 (2-1=1).
7. Df residual (Degree of freedom residual) = 10 karena nilai n-k, jumlah
pengamatan dikurangi jumlah variabel (12-2=10).
8. Df Total (Degree of total)= 11, karena niali n-1, jumlah pengamatan dikurangi
1 (12-1=11) atau merupakan penjumlahan df regression dengan df residual (1+10=11)

19
9. SS Regression (Sum Square Regression) = 7061,261
merupakan nilai ynag menunjukkan jumlah kuadrat dari selisih antara prediksi
dengan nilai rata-rata prediksi.
10. SS Residual (Sum square residual)= 916,9891
Yakni nilai yang menunjukkan jumlah kuadrat dari selisihantra nilai riil
dengan nilai prediksi.
11. SS total (sum square total)= 7978,25, yakni nilai yang menunjukan jumlah
kuadrat dari selisih antara nilai riil dengan nilai rata-rata Y riil.
12. MS Regression (Mean Square Regression) = 7061,261
SS regression
MS regression =
df regression

13. MS Residual (Mean Square residual) = 91,699

SS residual
MS residual =
df residual
14. F hitung = 77,0005

MS regression
F=
MS residual
15. Significance F = 0,000, merupakan nilai yang menunjukkan titik kesalahan
yang terjadi jika nilai Fhitung sebesar 77,005, yang artinya variabel bebas secara
simultan mampu menjelaskan perubahan pada variabel tergantung atau model
dinayatakan good of fit.
16. Coefficients Inercept = 1,424, merupakan konstanta yang artinya jika
perusahaan tanpa melakukan promosi ma penjualan akan sebesar 1,424 juta rupiah.

 Y b(  X )
a= −
n n
17. Coefficient X Variable = 8,761
Merupakan koefisien regresi yang berarti jika perusahaan meningkatkan
promosi sebesar 1 juta rupiah maka penjualan akan meningkat sebesar 8,761 juta
rupiah.

n(  XY ) − (  X )( Y )
b=
n(  X ) − (  X )
2 2

20
18. Standard Error ntercept = 7,515
merupakan penyimpangan dari konstanta yag ada dalam model persamaan
regresi.

Se 2 ( X 2 )
Sa =
n( X 2 ) − ( X ) 2

19. Standard Error X Variable 1=0,998

Merupakan penyimpangan koefisien regresi yang ada dalam model regresi
tersebut. Semakin kecil penyimpangan dalam koefisien regresi maka semakin berarti
kontribusi variabel tersebut terhadap variabel tergantungnya.
20. t-Stat Intercept
Digunakan untuk mengetahui signifikansi intercept. Namun nilai intercept
biasanya tidak diuji. Yang diuji adalah nilai t-stat koefisien regresinya.
Coefficients intercept 1,424
t - Stat Intercept = = = 0,189
Standart Error intercept 7,515
21. t-Stat Variable X1
digunakan untuk mengetahui signifikansi variabel X1.Jika nilai t-stat lebih
besar dari nilai ttabel dengan df: α, (n-k) maka variabel tersebut memiliki pengaruh
yang signifikan terhadap variabel tergantung.
Coefficients X Variable X 8,761
t - Stat X Variable1 = = = 8,775
Standart Error X Variable X 0,998
22. P-Value intercept
merupakan angka yang menunjukkan besarnya tingkat kesalahan pana nilai t-
stat intercept yang diperoleh (0,189). Jika nilai t-stat intercept semakin besar maka
nilai kesalahan p-value semakin kecil.
23. P-Value X Variable
merupakan angka yang menunjukkan besarnya tingkat kesalahan pada nilai t-
stat X Variable 1 yang diperoleh (8,775). Jika nilai t-stat coefficient semakin besar
maka nilai kesalahan p-value semakin kecil. Karena nilai p-value X variable 1 lebih
kecil dari 0,05 maka variabel X1 (promosi) memiliki pengaruh yang berarti terhadap
Y (penjualan).

21
 BAB III

PENUTUP

3.1 Kesimpulan
Regresi merupakan persamaan matematika yang memungkinkan untuk meramalkan
suatu variabel terikat (dependen) dari nilai-nilai satu variabel bebas (independen). Variabel
independen adalah variabel yang mempengaruhi variabel terikat. Sedangkan,variable dependen
= variable yang dipengaruhi oleh variable bebas. Ada dua maca regresi yaitu Regresi linier
sederhana dan Regresi linier ganda.
Analisis regresi sederhana untuk menguji variabel bebas terhadap variabel terikat hal itu
dilakukan dengan cara menghitung persamaan liniear sederhana menggunakan tiga Langkah.
Ada dua cara yang dapat digunakan untuk memperkirakan garis regresi, pertama yakni
menggunakan metode tangan bebas dan yang kedua yaitu metode kuadrat terkecil.

22
 DAFTAR PUSTAKA

https://junaidichaniago.wordpress.com/2010/05/18/cara-membaca-tabel-f/
https://accounting.binus.ac.id/2021/08/12/memahami-uji-f-uji-simultan-dalam-regresi-linear/
https://simdos.unud.ac.id/uploads/file_pendidikan_1_dir/3218126438990fa0771ddb555f70be
42.pdf
https://accounting.binus.ac.id/2021/08/12/memahami-uji-t-dalam-regresi-linear/

23