001 - Paparan - Materi Analisis Regresi Linier Sederhana Dan Berganda - Konsep Utama-1
001 - Paparan - Materi Analisis Regresi Linier Sederhana Dan Berganda - Konsep Utama-1
• Contoh :
1. Analisis Regresi antara tinggi orang tua terhadap tinggi anaknya
2. Analisis Regresi antara berat ibu hamil dengan berat bayi lahir
3. Analisis regresi antara biaya periklanan terhadap volume
penjualan perusahaan.
4. Analisis Regresi antara motivasi dengan kinerja perawat
5. Analisis Regresi antara jam kerja dengan upah kerja
• .
ANALISIS REGRESI LINIER
(SEKILAS)
Y X
• Varaibel tergantung • Varaibel bebas (Independent
(Dependent 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
• Variabel Tanggapan kendali (Stimulus or control
(Response) variable)
ANALISIS REGRESI LINIER
(Persamaan Regresi Linier Sederhana)
Y = a + bX +
n( XY ) ( X )( Y )
Y = Nilai yang diramalkan b
a = Konstansta n( X 2 ) ( X ) 2
b = Koefesien regresi
Y b( X )
X = Variabel bebas
= Nilai Residu a
n
ANALISIS REGRESI LINIER
(Asumsi Analisis Regresi Linier Sederhana)
1. Judul
Pengaruh motivasi terhadap kinerja perawat.
2. Pertanyaan Penelitian
• Apakah terdapat Pengaruh motivasi terhadap
kinerja perawat ?
3. Hipotesis
• Terdapat Pengaruh motivasi terhadap kinerja
perawat.
ANALISIS REGRESI LINIER
(Contoh Analisis Regresi Linier Sederhana)
Rumusan Hipotesis :
Kriteria Uji :
• Ho ditolak Jika
t hitung ≥ tabel atau p-value < 0.05
ANALISIS REGRESI LINIER
(Contoh Analisis Regresi Linier Sederhana)
5. Sampel
8 Perawat
Kinerja (Y) 64 61 84 70 88 92 72 77
Motivasi (X) 20 16 34 23 27 32 18 22
ANALISIS REGRESI LINIER
(Contoh Analisis Regresi Linier Sederhana)
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
ANALISIS REGRESI LINIER
(Contoh Analisis Regresi Linier Sederhana)
n( XY ) ( X )( Y )
b
n( X 2 ) ( X ) 2
8(15032) (192)(609)
b 1,497
8(4902) (192) 2
a
Y b( X )
n
(608) 1,497(192)
a 40,082
8
Y= 40,082 + 1,497X+e
ANALISIS REGRESI LINIER
(Contoh Analisis Regresi Linier Sederhana)
• Koefisien regresi variabel PER (X1) sebesar -74,482; artinya jika variabel
independen lain nilainya tetap dan PER mengalami kenaikan 1%, maka harga
saham (Y’) akan mengalami penurunan sebesar Rp.74,482. Koefisien bernilai
negatif artinya terjadi hubungan negatif antara PER dengan harga saham, semakin
naik PER maka semakin turun harga saham.
• Koefisien regresi variabel ROI (X2) sebesar 692,107; artinya jika variabel
independen lain nilainya tetap dan ROI mengalami kenaikan 1%, maka harga
saham (Y’) akan mengalami peningkatan sebesar Rp.692,107. Koefisien bernilai
positif artinya terjadi hubungan positif antara ROI dengan harga saham, semakin
naik ROI maka semakin meningkat harga saham.
Nilai harga saham yang diprediksi (Y’) dapat dilihat pada tabel Casewise
Diagnostics (kolom Predicted Value). Sedangkan Residual (unstandardized
residual) adalah selisih antara harga saham dengan Predicted Value, dan Std.
Residual (standardized residual) adalah nilai residual yang telah terstandarisasi
(nilai semakin mendekati 0 maka model regresi semakin baik dalam melakukan
prediksi, sebaliknya semakin menjauhi 0 atau lebih dari 1 atau -1 maka semakin
tidak baik model regresi dalam melakukan prediksi).
ANALISIS REGRESI LINIER
(Contoh Analisis Regresi Linier Sederhana)
Koefesien determinasi:
R 1
2 (Y ˆ
Y ) 2
R 1
2 (227,497)
0,743
(Y Y ) 2
(886)
P (1 R 2
) 1(1 0,743)
Radj R2 Radj 0,743 0,70
N P 1 8 11
ANALISIS REGRESI LINIER
(Perbedaan R-Square dengan Adjusted R-Square)
R Square (R Kuadrat) : Nilainya akan selalu meningkat dengan adanya penambahan variabel
bebas dalam suatu model. Hal ini akan menimbulkan bias, karena jika
ingin memperoleh model dengan R tinggi, seorang penelitian dapat
dengan sembarangan menambahkan variabel bebas dan nilai R akan
meningkat, tidak tergantung apakah variabel bebas tambahan itu
berhubungan dengan variabel terikat atau tidak.
• Walaupun estimator OLS masih linier dan tidak bias, tetapi tidak lagi
mempunyai variansi yang minimum dan menyebabkan perhitungan
standard error metode OLS tidak bisa dipercaya kebenarannya.
• Selain itu interval estimasi maupun pengujian hipotesis yang
didasarkan pada distribusi t maupun F tidak bisa lagi dipercaya untuk
evaluasi hasil regresi.
• Walaupun estimator OLS masih linier dan tidak bias, tetapi tidak lagi
mempunyai variansi yang minimum dan menyebabkan perhitungan
standard error metode OLS tidak bisa dipercaya kebenarannya.