Makalah Analisis Regresi dan Korelasi

“REGRESI & KORELASI LINIER SEDERHANA”

Dosen Pengampu :

Dr. Arnita, M.Si.

DISUSUN OLEH :

1. Amir Husein Harahap

2. Endang Purnama Zebua
3. Muhammad Ichsan Abdillah

KELAS : MATEMATIKA NONDIK A 2017

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS NEGERI MEDAN

2019
 KATA PENGANTAR

Segala puji dan syukur penulis ucapkan kepada Tuhan Yang Maha Esa karena
berkat dan limpahan kasih-Nya maka penulis bisa menyelesaikan tugas Makalah Analisis
Regresi dan Korelasi.
Dalam makalah ini penulis membahas tentang Regresi Linier Sederhana. Dalam
penulisan Makalah ini penulis menyadari masih banyak kekurangan yang terdapat. Oleh
sebab itu, penulis mengharapkan kepada para pembaca untuk memberikan saran ataupun
kritikan yang dapat membantu dalam membangun kesempurnaan makalah ini. Penulis
berharap semoga Makalah ini bisa bermanfaat bagi penulis khususnya dan bagi pembaca
pada umumnya.

Akhir kata penulis ucapkan terima kasih semoga bermanfaat dan bisa menambah
pengetahuan bagi pembaca.

Medan, 12 September 2019

Penyusun
 DAFTAR ISI

HALAMAN JUDUL........................................................................................................
DAFTAR ISI....................................................................................................................
KATA PENGANTAR....................................................................................................

BAB I PENDAHULUAN
1.1 Latar Belakang......................................................................................................
1.2 Rumusan Masalah..................................................................................................
1.3 Tujuan Penulisan....................................................................................................

BAB II PEMBAHASAN
2.1 Refrensi dari buku Thomas Yunigunarto
Regresi dan Korelasi Sederhana.............................................................................
2.2 Refrensi dari buku Johan Harlen
Regresi Linier Sederhana ..............................................................................
2.3 Refrensi dari buku Dra. Sri Pangesti, S.U.
Regresi Linear dengan Satu Variabel Bebas..........................................................

BAB III PENUTUP

3.1 Kesimpulan..............................................................................................................
3.2 Saran........................................................................................................................
DAFTAR PUSTAKA.....................................................................................................
.
 BAB I

PENDAHULUAN

A. LATAR BELAKANG

Regresi merupakan suatu teknik statistika yang dapat digunakan untuk

menggambarkan hubungan fungsional antara suatu variabel tak bebas (respon) dengan
satu atau beberapa variabel bebas (deterministik). Menurut Drapper and Smith (1992)
analisis regresi merupakan metode analisis yang dapat digunakan untuk menganalisis data
dan mengambil kesimpulan yang bermakna tentang hubungan ketergantungan variabel
terhadap variabel lainnya. Analisis regresi linier merupakan teknik dalam statistika yang
digunakan untuk membentuk model hubungan antara variabel dependendengansatu atau
lebih variabel independen. Dalam analisis regresi dibedakan dua jenis variabel yaitu
variabel dependen dan variabel independen. Analisis regresi yang sering digunakan
dalam pemecahan suatu permasalahan adalah regresi linier. Dalam perkembangannya
terdapat dua jenis regresi yang sangat terkenal, yaitu regresi linier sederhana dan regresi
linier berganda. Regresi linier sederhana digunakan untuk menggambarkan hubungan
antara satu variabel bebas (X) dengan satu variabel tak bebas (Y). Sedangkan jika
variabel bebas (X) yang digunakan lebih dari satu, maka persamaan regresinya adalah
persamaan regresi linier berganda.

B. RUMUSAN MASALAH
 Apa yang dimaksud Regresi Linier Sederhana?
 Apa yang dimaksud Regresi dan Korelasi ?
 Apa saja contoh Regresi dan Korelasi ?
 Bagaimana Rumus-rumus Regresi dan Korelasi?

C. TUJUAN
 Untuk mengetahui pengertian Regresi Linear Sederhana
 Untuk mengetahui pengertian Regresi dan Korelasi
 Untuk mengetahui contoh-contoh Regresi dan Korelasi
 Untuk mengetahui rumus-rumus Regresi dan Korelasi
 BAB II
PEMBAHASAN
2.I Refrensi dari buku Thomas Yunigunarto
REGRESI & KORELASI LINIER SEDERHANA
 Gagasan perhitungan ditetapkan oleh Sir Francis Galton (1822-1911)
• Persamaan regresi : Persamaan matematik yang memungkinkan peramalan nilai suatu
peubah tak bebas (dependent variable) dari nilai peubah bebas
(independent variable)
• Diagram Pencar = Scatter Diagram
Diagram yang menggambarkan nilai-nilai observasi peubah
takbebas dan peubah bebas.

Nilai peubah bebas ditulis pada sumbu X (sumbu horizontal)

Nilai peubah takbebas ditulis pada sumbu Y (sumbu vertikal)
Nilai peubah takbebas ditentukan oleh nilai peubah bebas
Anda sudah dapat menentukan mana peubah takbebas dan peubah bebas?
Contoh 1:
Umur Vs Tinggi Tanaman (X : Umur, Y : Tinggi)
Biaya Promosi Vs Volume penjualan (X : Biaya Promosi, Y : Vol. penjualan)
• Jenis-jenis Persamaan Regresi : a. Regresi Linier : - Regresi Linier Sederhana
- Regresi Linier Berganda
b. Regresi Nonlinier : - Regresi Eksponensial
• Regresi Linier
- Bentuk Umum Regresi Linier Sederhana
Y = a + bX , dimana
Y : peubah takbebas
X : peubah bebas
a : konstanta
b : kemiringan

- Bentuk Umum Regresi Linier Berganda Y = a + b1X1 + b2X2 + ...+ bnXn

Y : peubah takbebas a : konstanta
X 1 : peubah bebas ke-1 b1 : kemiringan ke-1
X 2 : peubah bebas ke-2 b2 : kemiringan ke-2
X n : peubah bebas ke-n bn : kemiringan ke-n
• Regresi Non Linier
- Bentuk umum Regresi Eksponensial
Y = abx
log Y = log a + (log b) x
2. Regresi Linier Sederhana
• Metode Kuadrat terkecil (least square method): metode paling populer untuk
menetapkan persamaan regresi linier sederhana
- Bentuk Umum Regresi Linier Sederhana :
Y = a + bX
Y : peubah takbebas X : peubah bebas
a : konstanta b : kemiringan
Nilai b dapat positif (+) dapat negartif (-)

Dimana :
n : banyak pasangan data
yi : nilai peubah takbebas Y ke-i
xi : nilai peubah bebas X ke-i

contoh 2 :

3. Korelasi Linier Sederhana

• Koefisien Korelasi (r) : ukuran hubungan linier peubah X dan Y
Nilai r berkisar antara (+1) sampai (-1)
Nilai r yang (+) ditandai oleh nilai b yang (+)
Nilai r yang (-) ditandai oleh nilai b yang (-)
Jika nilai r mendekati +1 atau r mendekati -1 maka ,
 X dan Y memiliki korelasi linier yang tinggi
Jika nilai r = +1 atau r = -1 maka X dan Y memiliki korelasi linier sempurna
Jika nilai r = 0 maka X dan Y tidak memiliki relasi (hubungan) linier (dalam kasus r
mendekati 0, anda dapat melanjutkan analisis ke regresi eksponensial)
• Koefisien Determinasi Sampel = R = r² Ukuran proporsi keragaman total nilai peubah
Y yang dapat dijelaskan oleh nilai peubah X melalui hubungan linier.
Penetapan & Interpretasi Koefisien Korelasi dan Koefisien Determinasi

Contoh 3:
4. Regresi Linier Berganda
• Pembahasan akan meliputi regresi linier dengan 2 Variabel Bebas (X1 dan X2) dan 1
Variabel Tak Bebas (Y).
• Bentuk Umum :
Y = a + b1 X1 + b2 X2
Y : peubah takbebas a : konstanta
X 1 : peubah bebas ke-1 b1 : kemiringan ke-1
X 2 : peubah bebas ke-2 b2 : kemiringan ke-2
a , b1 dan b2 didapatkan dengan menyelesaikan tiga persamaan Normal berikut :

Dimana,
n : banyak pasangan data yi : nilai peubah takbebas Y ke-i
x1i : nilai peubah bebas X1 ke-i x2i : nilai peubah bebas X2 ke-i
contoh 4:
Berikut adalah data Volume Penjualan (juta unit) Mobil dihubungkan dengan variable
biaya promosi (X1 dalam juta rupiah/tahun) dan variabel biaya penambahan asesoris (X2
dalam ratusan ribu rupiah/unit).
Sehingga Persamaan Regresi Berganda
a + b1 X1 + b2 X2 dapat ditulis sebagai 0.75 + 0.50 X1 + 0.75 X2
5. Korelasi Linier berganda
• Koefisien Determinasi Sampel untuk Regresi Linier Berganda diberi notasi sebagai
berikut

Sedangkan Koefisien Korelasi adalah akar positif Koefisien Determinasi atau

Contoh 5 :

Nilai = 99.53% menunjukkan bahwa 99.53% proporsi keragaman nilai peubah Y

(volume penjualan) dapat dijelaskan oleh nilai peubah X (biaya promosi) dan X Ry.12 2
2 (biaya aksesoris) melalui hubungan linier.

2.2 Refrensi dari buku Johan Harlen

REGRESI LINEAR SEDERHANA
Regresi linear (linear regression) adalah teknik yang digunakan untuk
memperoleh model hubungan antara 1 variabel dependen dengan 1 atau lebih variabel
independen. Jika hanya digunakan 1 variabel independen dalam model, maka teknik ini
disebut sebagai regresi linear sederhana (simple linear regression), sedangkan jika yang
digunakan adalah beberapa variabel independen, teknik ini disebut regresi linear ganda
(multiple linear regression).
Variabel dependen pada regresi linear disebut juga sebagai respons atau kriterion,
sedangkan variabel independen dikenal pula sebagai prediktor atau regresor. Kovariat
adalah variabel independen yang berkorelasi dengan prediktor lainnya, juga
mempengaruhi respons. Kovariat umumnya tidak diminati hubungannya dengan respons
dan hanya digunakan untuk pengendalian hubungan prediktor-respons dalam model.
Respons pada regresi linear selalu berupa variabel kontinu, sedangkan prediktor dapat
berupa variabel kontinu, indikator, ataupun karegorik yang disubstitusikan menjadi
variabel indikator.
Regresi Linear Sederhana dengan Prediktor Kontinu
Model yang digunakan untuk regresi linear sederhana adalah:
i Y = 0 β + 1 β iX + i ε ; i = 1, 2, . . . , n
iY : Respons untuk subjek ke-i
iX : Prediktor untuk subjek ke-i
i ε : Galat untuk subjek ke-i
β dan 1 β merupakan parameter dalam populasi yang hendak diestimasi dalam fitting model.
Pada Fitting model denhgan data sampel yang akan diperoleh persamaan garis regresi (gambar
2.1)

b0 dinamakan intersep (intercept dari titik pangkal ke titik potong garis regresi dengan sumbu
vertikal), merupakan penaksir untuk

(slope) atau koefisien regresi, menyatakan kemiringan garis regresi yang diukur sebagai tangen
sudut yang dibentuk oleh garis horizontal dengan garis regresi dalam arah positif (diukur
berlawanan de merupakan penaksir untuk 1 β . ei menyatakan galat untuk anggota sampel ke-i,
sekaligus merupakan penaksir untuk εi .
Perintah Stata untuk fitting model regresi linear sederhana adalah:
regress var_dep var_indep [if] [in] [, options]
var_dep : Variabel dependen
var_indep : Variabel independen
Tampak estimasi intersep dan koefisien regresi, masing-masing sebesar 744.25 dan −0.20.
Estimasi intersep menyatakan prediksi nilai respons, jika prediktor bernilai nol, walaupun
hal ini tidak realistis di sini, yaitu jika enroll bernilai sama dengan nol (tidak ada calon
siswa yang mendaftarkan diri), tidak mungkin kinerja akademik api00 bernilai 744.25.
Perlu dijelaskan bahwa prediksi nilai respons hanya berlaku dalam rentang nilai-nilai
prediktor dalam sampel, yaitu 130 s.d. 1,570.
Estimasi koefisien regresi bernilai negatif sebesar −0.20 dan bermakna secara statistik
dengan p = 0.00, menyatakan bahwa setiap pertambahan 1 siswa yang mendaftar akan
menurunkan kinerja akademik sekolah sebesar −0.20 satuan.
Model estimasi adalah:
api00 = 744.25 – 0.20 enroll + e

2.3 Refrensi dari buku Dra. Sri Pangesti, S.U.

Regresi Linear dengan Satu Variabel Bebas
Analisis regresi adalah analisis statistik yang mempelajari hubungan antara dua
atau lebih variabel kuantitatif sehingga satu variabel dapat diramalkan (predicted) dari
variabel lainnya. Hubungan antara dua variabel dapat dibedakan menjadi dua, yaitu
hubungan fungsional dan hubungan statistik. Hubungan fungsional antara dua variabel
dapat dinyatakan secara matematis; jika X variabel bebas (indenpendent variable) dan Y
variabel tak bebas (dependent variable), hubungan fungsional ditulis dalam bentuk
Y = f (X)
Jika diketahui nilai X tertentu, fungsi f akan memberikan nilai Y yang bersesuaian.
Contoh 1.1
Misalkan Y = total nilai penjualan suatu produk (dalam ribuan rupiah) dan X = jumlah
unit produk yang terjual. Jika harga jual Rp 5.000,00 per unit produk maka hubungan
antara Y dan X dapat dinyatakan dalam Gambar 1.1.
Gambar 1.1.
Hubungan statistik antara dua variabel tidak sempurna. Pada umumnya pada hubungan
statistik, pengamatan tidak tepat jatuh pada kurve hubungan.
Contoh 1.2 Jika hubungan antara X yang menyatakan usia (dalam tahun) dan Y yang
menyatakan tingkat steroid dinyatakan dalam Gambar 1.2.

Model regresi secara formal menyatakan dua hal tentang hubungan statistik, yaitu:
kecenderungan variabel tak bebas (Y) berubah-ubah terhadap variabel bebas (X) dalam
bentuk yang sistematik dan tersebarnya titik-titik di sekitar kurve hubungan statistik.
Kedua hal tersebut dinyatakan dalam suatu model regresi yaitu: untuk setiap nilai X
terdapat distribusi probabilitas dari Y dan mean dari distribusi probabilitas Y
berubahubah secara sistematik terhadap perubahan nilai X .
Model Regresi Linear Sederhana
Model regresi dengan satu variabel bebas X dapat ditulis dalam bentuk
Contoh 1.3 :
Penaksiran Fungsi Regresi
 BAB III
PENUTUP
3.1 Kesimpulan
Secara umum, analisis regresi pada dasarnya adalah studi mengenai ketergantungan
satu variabel dependen (terikat) dengan satu atau lebih variabel independent (variabel
penjelas/bebas), dengan tujuan untuk mengestimasi dan/ atau memprediksi rata-rata
populasi atau niiai rata-rata variabel dependen berdasarkan nilai variabe! independen
yang diketahui.
Analisis korelasi sederhana (Bivariate Correlation) digunakan untuk mengetahui
keeratan hubungan antara dua variabel dan untuk mengetahui arah hubungan yang terjadi.

3.2 Saran
Menyadari masih banyaknya kekurangan dalam penyusunan makalah ini, penyusun
sangat mengharapkan adanya kritik dan saran, yang sifatnya membangun atau
memperbaiki makalah ini dari semua pihak.

Daftar Pustaka :
Draper, N. & Smith, H. (1998). Applied Regression Analysis. New York: Wiley.
Montgomery, D.C. & Peck, E. A. (1992). Introduction to Linear Regression Analysis.
New York: Wiley.
Neter, J., Wasserman, W. & Kutner, M. H. (1990). Applied Linear Statistical Models.
Supangat,Andi. 2010. Statistika. Jakarta:KencanaIrwin.