ANALISIS REGRESI

PENDAHULUAN
• Analisa regresi digunakan untuk mempelajari dan mengukur hubungan statistik
yang terjadi antara dua atau lebih varibel.
Variabel bebas / independen (yang mempengaruhi) variabel yang
diasumsikan memberikan pengaruh terhadap variasi variabel terikat
 Nilai prediktor ditulis pada sumbu X (sumbu horizontal)

Variabel tak bebas / dependen (yang dipengaruhi) Variabel yang akan

diestimasi nilainya
 Nilai terikat ditulis pada sumbuY (sumbu vertikal)

Variabel tak bebas (Y) dalam penelitian merupakan respon (outcome) yang
diukur akibat perlakuan dari variabel bebas (X)
CONTOH
Umur vs Tinggi Tanaman (X: Umur; Y: Tinggi)
Biaya Promosi vs Volume Penjualan (X: Biaya; Y: Volume)
METODE METODE
TANGAN KUADRAT
BEBAS TERKECIL
PENENTUAN
PERSAMAAN
REGRESI
LINIER
 METODE TANGAN BEBAS
Metode tangan bebas merupakan cara paling mudah, tetapi sifatnya sangat
subjektif. Maksudnya, jika ada lebih dari satu orang menarik garis trend dengan
cara ini akan diperoleh garis trend lebih dari satu orang. Hal
inidisebabkanmasing-masing orang mempunyai pilihan sendiri sesuai dengan
anggapannya garis yang mewakili diagram pencar.

Langkah-langkah menentukan garis trend dengan menggunakan metode

tangan bebas( free hand method):
Buat sumbu tegakY dan sumbu mendatar X
Buat Scatter diagram, yaitu kumpulan titik-titik koordinat (X,Y); X =
Variabel Waktu
Dengan jalan observasi atau pengamatan langsung terhadap bentuk
scatter diagram tariklah garis yang mewakili atau paling tidak mendekati
semua titik koordinat yang membentuk diagram pencar tersebut.
MisalnyaY=data berkala; X=Waktu
Y : Y1, Y2, ……., Yi, …..,Yn
X : X1, X2,…….., Xi, …..,Xn
Contoh soal
METODE KUADRAT TERKECIL
Metode Kuadrat Terkecil untuk Regresi Linier :

Metoda diagram pencar dapat dipakai menduga bentuk regresi apakah linier
atau tidak. Jika tidak betul-betul yakin, lebih baik ditentukan dengan cara lain,
misalnya dengan cara kuadrat terkecil (least squares). Adapun langkah-
langkah untuk menyelesaikan regresi linier adalah :
Ŷ  a  bX
b =
n xy   x y
a =
y +b x
n x 2  ( x) 2 n n

Dari Persamaan Regresi :

Selanjutnya masukkan nilai a dan b ke dalam persamaan regresi:
Y=a+bX
 Contoh :
Setiap biaya promosi (x) yang dikeluarkan oleh suatu perusahaan akan selalu
berpengaruh terhadap keuntungan (y) pada tiap tahun. Dari data suatu perusahaan
tertentu diperoleh data dalam jutaan rupiah sebagai berikuat :
TAHUN BIAYA PROMOSI KEUNTUNGAN

1 1,5 3,6
2 1,0 2,8
3 2,0 4,3
4 2,8 5,4
5 0,4 1,9
6 1,3 2,9
Tentukanlah :
i. Persamaan garis regresinya
ii. Berapa keuntungan yang diperkirakan jika biaya promosi 10 Juta
 Jawab :
Pertama kita tentukan variabel bebas (x) dan variabel takbebasnya (y).
Dari data tersebut kita dapat menentukan variabel bebasnya (x) adalah
biaya promosi sedangan variabel tak bebasnya (y) adalah keuntungan.
Buat tabel untuk menghitung nilai b dan a
x y x.y x2
1,5 3,6 5,4 2,25
1,0 2,8 2,8 1,00
2,0 4,3 8,6 4,00
2,8 5,4 15,12 7,84
0,4 1,9 0,76 0,16
1,3 2,9 3,77 1,69
∑x = 9 ∑y = 20,9 ∑xy = 36,45 ∑ x 2 = 16,94
 n xy   x y.
b =
n x 2  ( x ) 2

(6)(36,45)  (9)( 20,9) 218,70  188,1

= =
(6)(16,94)  (9) 2
101,64  81

30,60
= = 1,48
20,64

a =
y + b
x
n n

20,9 9 7,56
= + ( 1,48 ) = = 5,7
6 6 6
i. Jadi persamaan garis regresinya adalah y = 5,7 + 1,48 x

ii. Jika x = 10 maka y = 5,7 + 1,48 ( 10 ) = 20,5

jadi keuntungan yang diperkirakan adalah 20,5 jt
UJI REGRESI KELINIERAN DENGAN MENGGUNAKAN SPSS
Perintah dalam SPSS
• Buka file multiple_reg
 • Pada kotak Dependent isikan variabel Income
• Pada kotak Independent isikan variabel Usia, Pengalaman Kerja dan Jenis
Kelamin
• Pada kotak Method, pilih Enter
• Abaikan yang lain dan tekan OK
 Kasus: Multiple Regression, Metode Enter
Konteks penelitian: 11 sales person dipilih secara acak (random), n = 11.

Y = Income sales person (dalam dolar).

X1 = Usia.
R2 adjusted berguna
X2 = Pengalaman kerja. untuk membandingkan
dua persamaan regresi
X3 = Jenis kelamin
yg berbeda banyaknya
Model Summary independent variable.
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 .979a .959 .941 2758.308
a. Predictors: (Constant), Jenis Kelamin, Pengalaman Kerja, Usia

Multiple Correlation: R2 = 0.959 atau R2 = 95.9%, X1, X2 dan

X3 mampu menjelaskan keragaman Y
Korelasi X1, X2 dan X3 (bersama-
sebanyak 95.9%.
sama) dengan Y sebesar 0.979.
 Lanjutan Kasus: Multiple Regression, Metode Enter
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 8.770E8 2 4.385E8 64.105 .000a
Residual 5.472E7 8 6840078.364
Total 9.317E8 10
a. Predictors: (Constant), X2 Pengalaman Kerja, X1 Usia
b. Dependent Variable: Y Income

Pengaruh model (seluruh independent variables bersama-sama)

thd dependent variable:
Hipotesis:
H0. Dalam populasi tidak ada pengaruh seluruh variabel bebas thd
variabel terikat.
H1. Dalam populasi minimal ada satu variabel bebas berpengaruh
thd variabel terikat.
Bandingkan F hitung dg F Tabel. Jika F hitung > F tabel, maka terima H1.
Bandingkan Sig dg Taraf nyata. Jika Sig < Taraf nyata, maka terima H1.

Karena Sig < taraf nyata maka terima H1. Minimal satu variabel
bebas ‘berpengaruh’ thd variabel terikat. YANG MANA?
 Lanjutan Kasus: Multiple Regression, Metode Enter
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 1.242E9 3 4.139E8 54.402 .000a
Residual 5.326E7 7 7608262.177
Total 1.295E9 10
a. Predictors: (Constant), Jenis Kelamin, Pengalaman Kerja, Usia
b. Dependent Variable: Income

Pengaruh model (seluruh independent variables bersama-sama)

thd dependent variable:
Hipotesis:
H0. Dalam populasi tidak ada pengaruh seluruh independent variables
thd dependent variable.
H1. Dalam populasi minimal ada satu independent variable
berpengaruh thd dependent variable.
Bandingkan F hitung dg F Tabel. Jika F hitung > F tabel, maka terima H1.
Bandingkan Sig dg Taraf nyata. Jika Sig < Taraf nyata, maka terima H1.

Karena Sig < taraf nyata maka terima H1. Minimal satu independent
variable ‘berpengaruh’ thd dependent variable. YANG MANA?
Lanjutan Kasus: Multiple Regression, Metode Enter
Coefficientsa
Standardize
Unstandardized d
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -9071.764 5331.943 -1.701 .133
Usia 1148.913 204.717 .620 5.612 .001
Pengalaman Kerja 1513.691 650.596 .246 2.327 .053
Jenis Kelamin 5239.227 2826.196 .240 1.854 .106
a. Dependent Variable: Income

Dugaan Persamaan Regresi:

Bandingkan thitung
yˆi  -9071.764  1148.913 X 1i  1513.691X 2i  5239.227 X 3i dg ttabel, v = n-2-1.
Kalau thitung > ttabel
“Usia” lebih terima H1. Dalam
Jadi dalam populasi: populasi ada
dominan
ada ‘pengaruh’ Usia ‘pengaruh’ X thd Y
dibanding
dan Jenis Kelamin thd
“Pengalaman
income.
Kerja” dan
Tidak ada ‘pengaruh’ “Jenis Jika Sig < taraf nyata
Pengalaman Kerja thd Kelamin” thd maka terima H1.
income. income Dalam populasi ada
‘pengaruh’ X thd Y
REGRESI NON LINIER
• Regresi non linier adalah suatu metode untuk mendapatkan model non
linier yang menyatakan hubungan variabel dependen dan variabel
independen
• Regresi nonlinier dapat mengestimasi model hubungan variabel
dependen dan independen dalam bentuk non linier dengan keakuratan
yang lebih baik daripada regresi linier, karena dalam mengestimasi
model dipakai iterasi algoritma
Beberapa model regresi Non Linier
• 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,
• 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 )
log b 
n.  X i2  ( X ) i2
atau
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
• Model logistic

1 1
Yˆ  log  log a  (log b) . X
a .b X Yˆ 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 i  ( X ) i
2 2

• Model Hiperbola
1
Yˆ  (
1 1
).(X i2 )  (X i )( X i . )
a  b. X Yi Yi
a
n.X i2  (X i ) 2
1 1
n.  X i  (X i ).( )
Yi Yi
b
n.X i2  (X i ) 2
CONTOH SOAL Parabola Kuadratik

Yˆ  a  b . X  c. X 2

Yi  n.a  b.X i  c.X i2 Setelah proses

subsitusi, maka

X i Yi  a.X i  b.X i2  c.X i3 didapatkan nilai-

nilai : a, b, & c,

X i2Y  a..X i2  b.X i3  c.X i4

 CONTOH SOAL Parabola 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 )
log b 
n.  X i2  ( X ) i2
CONTOH SOAL 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
CONTOH SOAL 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
 CONTOH SOAL Hiperbola
1 1
Yˆ 
1 ( ).(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