Tujuan Penelitian

Analisis Regresi
Metodologi Penelitian
Kelompok 2

Hubungan
Regresi
NonLinear

Linear

Tunggal

Ganda

Regresi Linear
Variabel independen

Hubungan

Variabel dependen

3 kegunaan regresi linear :

Deskripsi dari fenomena data atau kasus
yang diteliti
Tujuan control
Tujuan prediksi

Regresi mampu mendeskripsikan fenomena

data melalui terbentuknya suatu model
hubungan yang bersifatnya numerik

Melakukan pengendalian (kontrol) terhadap suatu

kasus atau hal-hal yang sedang diamati melalui
penggunaan model regresi yang diperoleh
Melakukan prediksi untuk variabel terikat. hanya
boleh dilakukan di dalam rentang data dari
variabel-variabel bebas yang digunakan untuk
membentuk model regresi tersebut.

Data untuk variable

independen

Observational
Data
Experimental /
Fixed Data

Informasi yang diperoleh belum tentu

merupakan
hubungan
sebab-akibat.
variabel independen yang diamati bisa
berapa saja, tergantung keadaan di
lapangan. Observational data diperoleh
dari kuisoner

Informasi yang diperoleh lebih kuat

dalam menjelaskan hubungan sebab
akibat antara variabel independen dan
dependen. Peneliti sebelumnya telah
memiliki
beberapa
nilai
variabel
independen yang ingin diteliti. Fixed
data
diperoleh
dari
percobaan
laboratorium

Koefisien Regresi

Intersep

Slope

Nilai rata-rata pada variabel

dependen apabila nilai pada
variabel independen bernilai
0. Dengan kata lain, apabila
independen
tidak
memberikan
kontribusi,
maka
secara
rata-rata,
variabel
dependen
akan
bernilai sebesar intersep.

suatu
nilai
yang
menunjukkan
seberapa
besar
kontribusi
(sumbangan) yang diberikan
suatu variabel independen
terhadap variabel dependen

Regresi Tunggal (Sederhana)

Satu Variabel
Independen

Hubungan fungsional

Variabel Dependen

Persamaan umum regresi linier sederhana adalah :

Tujuan :
Untuk mengetahui perubahan
yang terjadi pada variable
dependen, niali variable dependen
berdasarkan perubahan dari nilai
variable independen

Persamaan Regresi linier Sederhana:

Y = a + bX +
Y = Nilai yang diramalkan
a = Konstansta
b = Koefesien regresi
X = Variabel bebas
= Nilai Residu

n( XY ) ( X )( Y )
n( X 2 ) ( X ) 2

Y b( X )

a
n

Contoh :
Seorang Engineer ingin mempelajari Hubungan antara Suhu Ruangan dengan
Jumlah Cacat yang diakibatkannya, sehingga dapat memprediksi atau
meramalkan jumlah cacat produksi jika suhu ruangan tersebut tidak terkendali.
Engineer tersebut kemudian mengambil data selama 30 hari terhadap rata-rata
(mean) suhu ruangan dan Jumlah Cacat Produksi.

Penentuan Tujuan
Identifikasi variabelnya
Pengujian Hipotesis
Pengumpulan Data
Data dimasukkan ke suatu rumus
Dibuat model persamaan regresinya
Dibuat suatu grafik

Penentuan Tujuan
Memprediksi jumlah cacat produksi jika suhu
ruangan tidak terkendali

Berguna agar kita

dapat mengetahui
hasil apa yang
diinginkan dalam
penelitian kita

Identifikasi variabelnya

Variabel
Independen
Suhu Ruang

Variabel
Dependen
Jumlah Cacat Produksi

Terdapat suatu hubungan fungsional mengetahui

adanya hubungan antar variable yang diteliti

Pengujian Hipotesis

Ha

Terdapat pengaruh suhu yang tidak terkendali dengan

jumlah cacat produksi

H0

Tidak terdapat pengaruh suhu yang tidak terkendali

dengan jumlah cacat produksi

Pengumpulan Data

Pengumpulan data dilakukan

secara berkala selama 30 hari.
Pengumpulan data tersebut sesuai
dengan rencana awal yang kita
rancang.

alam
d
e
nk
a
k
k
asu mus
Dim
ru

Membuat persamaan Linear

indp
n
ende

en
d
n
e
d ep

Sehingga , variable independen dapat

mempengaruhi hasil dari variable
dependen itu sendiri

Statistik Deskriptif

Membuat Grafik

Suhu Vs Jumlah Cacat Produksi

Variabel
independent
sebagai sumbu X
dan
variable
dependen
sebagai
sumbu
Y .Dihasilkan satu
garis lurus karena
hanya ada satu
variable
indepnden

5
4.5

f(x) = 0.05x + 0.3

R = 1

4
3.5
3
Jumlah produksi 2.5
2
1.5
1
0.5
0
10

20

30

40

50
Suhu

60

70

80

90

Kesimpulan

Ha

Terdapat pengaruh suhu yang tidak terkendali dengan

jumlah cacat produksi

H0

Tidak terdapat pengaruh suhu yang tidak terkendali

dengan jumlah cacat produksi
Fukur
Statistik
parameter
(Uji F)

Fhitung

Contoh kedua ( Rincian

memasukkan rumus)
Y

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

n( XY ) ( X )( Y )
n( X 2 ) ( X ) 2

8(15032) (192)(609)
1,497
8(4902) (192) 2

Y b( X )

a
n

(608) 1,497(192)
40,082
8

Y= 40,082 + 1,497X+e

Regresi Ganda
Parsial
Variabel Independen 1

Pengaruh independen
secara Parsial terhadap
variabel dependen

Variabel Dependen
Variabel Independen 2
Simultan

Persamaan umum regresi ganda :

Pengaruh
simultan
dependen

independen
terhadap

secara
variabel

Persamaan

Regresi Dua Prediktor :

Y=a++

Persamaan Regresi Tiga Prediktor :

Y=a++ +

Prinsipnya,

Regresi ganda

Regresi tunggal

Analisis regresi ganda biasanya digunakan peneliti untuk

meramalkan bagaimana keadaan (naik turunnya) variabel
dependen, bila dua atau lebih variabel indepen sebagai
faktor prediktor dimanipulasi

Jika dalam uji koefisien regresi secara simultan

keputusannya

adalah

menolak

Ho,

maka

uji

koefisien regresi secara parsial perlu dilakukan

untuk melihat variabel bebas mana saja yang
mempengaruhi variasi dari variabel respon. Hasil
dari pengujian secara parsial akan memberikan
kesimpulan sedikitnya ada satu variabel bebas
yang mempunyai hubungan linier dengan variabel
respon. Jika dalam uji koefisien regresi secara
simultan

keputusannya

adalah

menerima

Ho,

Syarat-syarat
Regresi
Ganda

Tidak mengalami
multikolineritas

Kondisi
terdapatnya
hubungan
linier
atau
korelasi yang
tinggi antara
masingmasing
variabel
independen.

Tidak mengalami
autokorelasi

Korelasi yang
terjadi antara
residual pada
satu
pengamatan
dengan
pengamatan
lain
pada
model regresi.

Tidak mengalami
heteroskedastisitas

adanya
ketidaksamaa
n varian dari
residual untuk
semua
pengamatan
pada
model
regresi

Ada hubungan
secara teoritis
antar variabel

Persamaan
regresi harus
linear

Antara variabel
bebas
dengan
variabel terikat
mempunyai
hubungan secara
teoritis,
dan
melalui
perhitungan
korelasi
sederhana dapat

Mengingat
pengujian
linieritas untuk
regresi ganda
sukar
dilakukan
maka
sejauh
ini
linieritas
untuk regresi
ganda hanya
di asumsikan.

Regresi Ganda Dua Prediktor

Contoh :

Untuk dapat meramalkan bagaimana produktivitas kerja pegawai,

kemimpinan direktif, dan produktivitas kerjanya maka data mentah perlu
disusun ke dalam tabel 8.6b

Analisis Regresi Tiga Prediktor

Contoh

:
Hubungan antara kemampuan kerja, pemahaman terhadap tugas, motivasi kerja,
dan produktivitas kerja.
Dimana :

Regresi Non-Linear
Variabel Independen

Variabel Dependen

Model Kuadratik

Kurva yang membentuk garis lengkung

mena
ik
Persamaan
umumnya :

menu
run

polino
mial
expone
ntial
Logarit
mic

Steel dan
Torrie
(1980)

Macam-macam Grafik
non linear

Penyelesain
persamaan
non-linear

Metode biseksi
Metode Regula Falsi
Metode Newton Raphson
Metode Secan

Contoh :
Aktivitas
Enzim
S (mM)
1.5
2
3
4
8
16

Kecepatan reaksi vs Konsentrasi Substrat

Produk yang
terbentuk
(mg/menit)
0.21
0.24
0.28
0.33
0.4
0.45

0.5
0.4
0.3
V(mg/menit)

0.2

0.45
0.4
0.33
0.28
0.24
0.21

0.1
0
0

8
S(mM)

10

12

14

16

18

Kecepatan reaksi vs Konsentrasi Substrat

0.5
0.4
0.3
V(mg/menit) 0.2

0.45

0.4

0.33
0.28
0.24
0.21

0.1
0
0

10

12

14

16

18

S(mM)

Data
diatas telah mengikuti persamaan
Michaelis-Menten yaitu

Karena perasamaan tersebut terlalu rumit untuk diselesaikan (persamaan regresi

non linear) maka persamaan tersebut kita ubah dalam bentuk persamaan yang
lebih sederhana (regresi linear) dengan mengubah persamaan diatas.

 Dengan
persamaan data yang kita peroleh dapat kita modifikasi sebgai berikut:

S
1.5
2
3
4
8
16

V
0.21
0.24
0.28
0.33
0.4
0.45

1/S
0.666666667
0.5
0.333333333
0.25
0.125
0.0625

1/V
4.761905
4.166667
3.571429
3.030303
2.5
2.222222

1/V
4.76

5
4
3

y = 4.2663x + 1.9978

1/V

f(x) = 4.27x + 2
R = 0.99
3.03
2.5
2.22

4.17
3.57

2
1
0
0

0.1

0.2

0.3

0.4
1/[S]

0.5

0.6

0.7

0.8

 Anonim.2013.Modul 4: Regresi Linear. http://

agussukoco.dosen.narotama.ac.id/files/2013/03/Modul-Regre
si-Linear-WEB.pdf
. diakses pada tanggal 3 November 2015 pukul 15:00 WIB
Rochmati, Vera.2013.Pengaruh Modal Kerja Terhadap Sisa Hasil
Usaha Pada Pusat Koperasi Polisi Daerah Jawa Barat. http://
repository.upi.edu/2799/6/S_PEA_0804468_Chapter3.pdf.
diakses pada tanggal 3 November 2015 pukul 13.00 WIB

Daftar Pustaka

Suparmono,agus.2015.Regresi Berganda. http://

penalaran-unm.org/artikel/penelitian/444-regresi-berganda.h
tml
(online). Diakses pada tanggal 6 Desember 2015 pukul 10.00
WIB
Yusnandar.2004. Aplikasi Analisis Regresi Non Linear Model
Kuadratik Terhadap Produksi Susu Kambing Peranakan
Etawah (PE) Selama 90 Hari Pertama Laktasi. http://
www.litbang.pertanian.go.id/warta-ip/pdf-file/yusnandar-13.
pdf
(online). Diakses pada tanggal 6 Desember 2015 pukul 12.00

Nama Kelompok
-

Faradila T.P

(130302340-KB 2013)

Dicky Supangat
2013)

Qodriyah (13030234037-KB 2013)

(13030234028-KB