STATISTIKA

Dosen : Ir. Mohamad Jusuf, MSi

Regresi Linear
Regresi merupakan suatu alat ukur yang juga dapat digunakan untuk
mengukur ada atau tidaknya korelasi antar variabel. Data yang digunakan
biasanya berskala interval atau rasio.
Analisis regresi berguna untuk mendapatkan hubungan fungsional antara
dua variabel atau lebih. Selain itu analisis regresi berguna untuk
mendapatkan pengaruh antar variabel prediktor (bebas) terhadap variabel
kriteriumnya (terikat) atau meramalkan pengaruh variabel bebas X thd
variabel terikat Y
Analisis regresi mempelajari hubungan yang diperoleh dinyatakan dalam
persamaan matematika yang menyatakan hubungan fungsional antara
variabel-variabel.
Hubungan fungsional antara satu variabel bebas dengan satu variabel terikat
disebut analisis regresi sederhana (tunggal), sedangkan hubungan
fungsional yang lebih dari satu variabel disebut analisis regresi ganda.
Regresi Linear Sederhana
Regresi Linear Sederhana adalah Metode Statistik yang berfungsi untuk
menguji sejauh mana hubungan sebab akibat antara Variabel Penyebab (X)
terhadap Variabel Akibatnya (Y) serta meramalkan pengaruh variabel bebas
(X) thd variabel terikat (Y).

Persamaan Regresi Linear Sederhana

Y = a + bX

Y = variabel terikat
X = variabel bebas
a = intersep / konstanta
b = koefisien regresi / slop
Konstanta (a) dan Koefisien regresi (b)
(Y )( X 2 )  (X )( XY )
a
( n)( X 2 )  (X ) 2
( n)( XY )  (X )( Y )
b
( n)( X 2 )  (X ) 2

Koefisien regresi (b) positif menunjukkan bahwa antara variabel bebas

dengan variabel terikat berjalan satu arah, di mana setiap penurunan
atau peningkatan variabel bebas (X) akan diikuti dengan peningkatan atau
penurunan variabel terikatnya (Y).

Sementara tanda negatif pada nilai b menunjukkan bahwa antara

variabel bebas dengan variabel terikat berjalan dua arah, di mana setiap
peningkatan variabel bebas akan diikuti dengan penurunan variabel
terikatnya, dan sebaliknya.
Korelasi
Dalam statistik dikenal hubungan antar variabel, yang
digunakan untuk mengukur ada atau tidaknya
hubungan antar variabel disebut Korelasi
Model paling sederhana untuk menjelaskan
hubungan antara variabel terikat (Y) dengan satu
variabel bebas (X) merupakan korelasi sederhana
Korelasi antara 2 variabel

1. Korelasi positif, Jika variabel X meningkat atau turun

maka variabel Y cenderung meningkat atau turun
2. Korelasi negatif, Jika variabel X meningkat atau
turun maka variabel Y cenderung untuk turun atau
meningkat
3. Tidak ada korelasi terjadi apabila variabel X dan Y
tidak menunjukkan adanya hubungan
4. Korelasi sempurna adalah korelasi dari dua variabel
yang benar - benar terjadi.
  
Koofisien Korelasi sederhana

Koofisien Korelasi (r) merupakan indeks atau

bilangan yang digunakan ntuk mengukur keeratan
hubungan antar variabel, memiliki nilai -1 dan +1 -1 <
r<1
Rumus r dengan menggunakan metode kwadrat
terkecil (method of least square)

r=
  
Patokan nilai keeratan hubungan antar variabel

1. r = 0 tidak ada korelasi

2. 0 < r 0,20 korelasi sangat lemah sekali
3. 0,20 < r 0,40 korelasi lemah sekali
4. 0,40 < r 0,70 korelasi cukup kuat
5. 0,70 < r 0,90 korelasi kuat
6. 0,90 < r 1,00 korelasi sangat kuqt
7. R = 1 korelasi sempurna
 
Koefisien Determinasi (
Bermakna sebagai sumbangan pengaruh yang diberikan
variabel bebas X thd variabel terikat Y, nilai KD berguna
untuk memprediksi dan melihat seberapa besar
kontribusi pengaruh variabel X secara bersama sama
terhadap variabel Y

Sisanya (100 - )% disebabkan faktor lain

  
Selisih Taksir Standar ( Standar Deviasi)

Angka indeks yg digunakan utk mengukur ketepatan

suatu penduga atau mengukur jumlah variasi titik-titik
observasi di sekitar garis regresi.
Jika semua titik observasi berada tepat pada garis regresi,
selisih taksir standar sama dengan nol.
Selisih taksir standar berguna mengetahui batasan
seberapa jauh melesetnya perkiraan dalam meramal data.

Standar Deviasi digunakan untuk mengukur besarnya

penyimpangan nilai Y sebenarnya dg nilai Y estimasi ().
 (Y  Y ' ) 2
S y / x  S x. y  Se 
n2
atau
( X  Y ' ) 2
S x / y  S y. x  Se 
n2

Keterangan :
Sy/x = Sx/y = Selisih taksir standar
Y = X = nilai variabel sebenarnya
Y’ = X’ = nilai variabel yang diperkirakan
n = jumlah frekuensi
Contoh 1

Diketahui tabel variabel X dan variabel Y

a. Buatkan persamaan regresinya

b. Tentukan nilai duga Y jika X = 8
c. Tentukan selisih nilai taksir standarnya

Penyelesaian
 
Persamaan regresi : Y = a + bX
X Y X2 Y2 XY
1 6 1 b36= 6
2 4 4 16 8
=
3 3 9 9 9
4 5 16 = 25= -0,5
20
5 4 25 16 20
6 2 36 a4= b 12
21 24 91 =106 75
- (-0,5)
= 5,75
a. Persamaan garis regresinya
Y = a + bX
Y’ = 5,75 – 0,5 X

b. Nilai duga Y’ jika X=8

Y’ = 5,75 – 0,5 (8)
Y’ = 1,75

c. Selisih taksir standar

X Y Y' Y-Y' (Y-Y')2
(Y  Y ' ) 2
1 6 5.25 0.75 0.5625 Sy/ x 
2 4 4.75 -0.8 0.5625 n2
3 3 4.25 -1.3 1.5625 5,375
Sy/ x   1,2
4 5 3.75 1.25 1.5625 62
5 4 3.25 0.75 0.5625
6 2 2.75 -0.8 0.5625
5.375

Contoh
  soal 2

Manajer pemasaran PT Jakarta smartphone memiliki data harga jual

dengan volume penjualan produknya smartphone selama 10 tahun,
dari tahun 2010 sampai 2019 disajikan dalam tabel Volume Penjualan
dan Harga Jual Produk (tabel 1),
1. Tentukan Koefisien Korelasi r dan jelaskan Hubungan antar
variabel Y (Volume penjualan) dengan variabel X (Harga jual).
2. Hitung Koefisien Determinasi atau presentase variabel Y yang
dapat dijelaskan variabel X dan Interpretasikan nilai koefisien
determinasi tersebut
3. Buatlah Persamaan Regresi “Pengaruh Harga Jual (X) Terhadap
terhadap Volume Penjualan (Y)”.
4. Hitung Simpangan Baku atau Ukur besarnya penyimpangan nilai Y
sebenarnya dengan nilai Y estimasi (Y’) .
Volume Penjualan dan Harga Jual Produk selama 10 tahun
Tabel 1
tahun Volume Penjualan Harga Jual

2010 10 1,30
2011 6 2,00
2012 5 1,70
2013 12 1,50
2014 10 1,60
2015 15 1,20
2016 5 1,60
2017 12 1,40
2018 17 1,00
2019 20 1,10
 Jawab
Tabel 2 : Koofisien Korelasi
y x Xy x2 y2
10 1,30 13,0 1,69 100
6 2,00 12,0 4,00 36
5 1,70 8,5 2,89 25
12 1,50 18,0 2,25 144
10 1,60 16,0 2,56 100
15 1,20 18,0 1,44 225
5 1,60 8,0 2,56 25
12 1,40 16,8 1,96 144
17 1,00 17,0 1,00 289
20 1,10 22,0 1,21 500
112 14,4 149,3 21,56 1.488
1.
 Hubungan antara Volume Penjualan dan Harga Jual,

untuk melihat Hubungan dg menghitung koefisien

korelasi (r)

r=

Koefisien korelasi sebesar -0,87 menunjukan

Hubungan linier negatif yang kuat artinya bila
harga naik maka volume penjualan akan turun.

2.  Presentase variabel Y yang dapat dijelaskan variabel X,
dengan menghitung koefisien determinasi () yaitu
dengan mengkuadratkan koefisien korelasi

Interpretasi dari nilai koefisien determinasi:

1. 76% dari variabel volume penjualan dipengaruhi
oleh naik/turunnya harga produk
2. 24% dari variabel volume penjualan dipengaruhi
variabel lain selain harga produk misalnya iklan atau
tersedianya produk substitusi, kualitas produk.

3. Pengaruh
  Harga terhadap Penjualan
Untuk mengetahui pengaruh tersebut dengan menghitung
koefisien regresi

Y’

Interprestasi dari persamaan tersebut:

1. Nilai a = 32,14 artinya jika harga sama dengan nol maka
rata-rata 32.140 produk akan terjual
2. Nilai b = -14,54 artinya jika harga naik Rp 1,00 maka
volume penjualan akan turun sebesar 14,54 unit
 Tabel 3 : Kesalahan Baku
y x
10 1,30 13,24 -3,24 10,50
6 2,00 3,06 2,94 8,64
5 1,70 7,42 -2,42 5,86
12 1,50 10,33 1,67 2,79
10 1,60 8,88 1,12 1,25
15 1,20 14,69 0,31 0,096
5 1,60 8,88 -3,88 15,05
12 1,40 11,78 0,22 0,048
17 1,00 17,6 -0,6 0,36
20 1,10 16,15 3,85 14,82
112 14,4 59,414

4. Kesalahan
  baku estimasi dapat dihitung dengan rumus:

Manfaat kesalahan baku adalah dapat digunakan untuk

membandingkan nilai penyebaran titik data dari garis regresi
yang satu dengan garis regresi yang lain
Pengujian Hipotesis
Sebelum memutuskan untuk menggunakan variabel
bebas (X) untuk memperkirakan – meramalkan
variabel terikat (Y), dengan anggapan – kesimpulan
sementara atau “Hipotesis bahwa variabel X dan Y
mempunyai Hubungan atau Pengaruh”.

1. Pengujian Hipotesis Koofisien Korelasi

2. Pengujian Hipotesis Koofisien Regresi
Pengujian Hipotesis Koofisien Korelasi
Pengujian bahwa variabel X dan Y mempunyai hubungan
yang kuat

Hipotesis nol (H0) adalah hipotesis yang menyatakan

tidak adanya hubungan antara variabel independen (X) dan
variabel dependen (Y). Artinya, dalam rumusan hipotesis,
yang diuji adalah ketidak benaran variabel (X)
mempengaruhi (Y)

Hipotesis alternatif (Ha) adalah hipotesis yang

menyatakan adanya hubungan atau pengaruh antara
variabel X dengan variabel Y

H0  : p = 0 X dan Y tidak ada hubungan
Ha : p < 0 X dan Y mempunyai hubungan negatif
Ha : p > 0 X dan Y mempunyai hubungan positif
Ha : p 0 X dan Y ada Hubungan

Langkah
  pengujian Hipotesis - Korelasi

1. Merumuskan penujian Hipotesis

H0 : p = 0
Ha : p < 0 Pengujian satu arah
Ha : p > 0 Pengujian satu arah
Ha : p 0 Pengujian dua arah
2. Menentukan nilai kesalahan = kemudian mencari
atau dari t tabel dengan df = n-2
3. Menghitung t hitung dengan rumus
 Kesimpulan untuk menolak atau menerima H0 tergantung pada
4.
perumusan hipotesisnya

H0 : p = 0
Ha : p 0

H0 : p = 0
Ha : p < 0

H0 : p = 0
Ha : p > 0

.
H0 diterima bila : - t /2 Ho ditolak : /2 t > /2
H0 diterima bila : t - H0 ditolak : t -
H0 diterima bila : t H0 ditolak : t
 
Pengujian Hipotesis Koofisien Regresi
Pengujian bahwa variabel X dan Y mempunyai pengaruh
nyata/ berarti (significant)

H0 : B = 0 tidak ada pengaruh X terhadap Y

Ha : p < 0 ada pengaruh negatif X terhadap Y
Ha : p > 0 ada pengaruh positif X terhadap Y
Ha : p 0 ada pengaruh X terhadap Y

Langkah
  pengujian Hipotesis - Regresi

1. Merumuskan penujian Hipotesis

H0 : B = 0
Ha : B < 0 Pengujian satu arah
Ha : B > 0 Pengujian satu arah
Ha : B 0 Pengujian dua arah
2. Menentukan nilai kesalahan = kemudian mencari
atau dari t tabel dengan df = n-2
3. Menghitung t hitung dengan rumus
= Sb =

4.  Kesimpulan untuk menolak atau menerima H0 tergantung pada
prumusan hipotesisnya

H0 : p = 0
Ha : p 0

H0 : p = 0
Ha : p < 0

H0 : p = 0
Ha : p > 0
.
H0 diterima bila : - t /2 Ho ditolak : - /2 t > /2
H0 diterima bila : t - H0 ditolak : t -
H0 diterima bila : t H0 ditolak : t

Contoh
  : (menggunakan data contoh 2)
5. Uji Hipotesis “Ada Hubungan dan Pengaruh yang negatif antara Harga Jual
(X) terhadap Volume Penjualan (Y)”.

Penyelesaian
Pengujian Korelasi - Hubungan
H0 : p = 0
Ha : p < 0
= 5% = 0,05 (t tabel dg df n - 2)
r = - 0,87
= = 2,10
.
Karena = 2,10 < = 3,747 maka Ho ditolak
Berarti ada hubungan yang negatif antara Harga jual (X) dengan Volume
penjualan (Y)

Pengujian
  Regresi Pengaruh
H0 : B = 0
Ha : B < 0
= 5% = 0,05 747 (t tabel dg df n = 2)
b=
a=

Y’

Sb = = =
1,30 0,0196
2,00 0,3136  = = = 2,25
Sb
1,70 0,676
1,50 0,036
1,60 0,0256 = -6,46
1,20 0,0576
1,60 0,0256 Karena = -6,46 < = 3,747
1,40 0,0016
maka H0 ditolak
1,00 0,1936
1,10 0,1156 Berarti ada pengaruh
14,4 1,4648
antara Harga jual (X)
dengan Volume penjualan
(Y)
Analisis Trend
Analisis trend merupakan suatu metode analisis yang
ditujukan untuk melakukan suatu estimasi atau
peramalan pada masa yang akan datang.

 Untuk melakukan peramalan dengan baik maka

dibutuhkan berbagai macam informasi (data) yang
cukup banyak dan diamati dalam periode waktu yang
relatif cukup panjang, sehingga dari hasil analisis
tersebut dapat diketahui sampai berapa besar fluktuasi
yang terjadi dan faktor-faktor apa saja yang
mempengaruhi terhadap perubahan tersebut.
Metode Analisis Time Series

1. Metode Kuadrat Terkecil (Least Square Method).

2. Metode Garis Linier Secara Bebas (Free Hand Method)
3. Metode Setengah Rata-Rata (Semi Average Method)
4. Metode Rata-Rata Bergerak (Moving Average Method)

Metode
  Kuadrat Terkecil (Least Square Method)

Analisis time series dengan metode kuadrat terkecil yang dibagi

dalam dua kasus, yaitu kasus data genap dan kasus data ganjil.
Secara umum persamaan garis linier dari analisis time series adalah :

Y=a+bX

 Y adalah variabel yang dicari trendnya dan X adalah variabel waktu

(tahun)

 Untuk mencari nilai konstanta (a) dan parameter (b) adalah :

a = ΣY / N dan b = ΣXY / Σ

Dalam
  skala ada dua kemungkinan

a. Untuk Ganjil : angka 0 diletakkan pada tahun yang

ditengah, sehingga skala X nya menjadi tahunan
(selisih 1)
b. Untuk Genap : angka 0 pada skala X terletak antara 2
tahun yang ditengah sehingga skala X menjadi
setengah tahunan (selisih 2)
Contoh : Kasus Data Genap
Buatlah Prediksi penjualan smartphone pada tahun 2024
Penjualan
tahun (Y) X XY X2
2010 10 -9 -90 81
2011 6 -7 -42 49
2012 5 -5 -25 25
2013 12 -3 -36 9
2014 10 -1 -10 1
2015 15 1 15 1
2016 5 3 15 9
2017 12 5 60 25
2018 17 7 119 49
2019 20 9 180 81
jumlah 112 186 330
Prediksi penjualan smart phone pada tahun 2024
  
a = ΣY / N
= = 11,2

b = ΣXY / Σ
= = 0,56

Persamaan garis linear :

Y = a + bX
Y = 11,2 + 0,56X

Bedasarkan persamaan tersebut untuk tahun 2024 (nilai X adalah 19)

Y = 11,2 + 0,56. 19 = 21,84

Penjualan smartphone pada tahun 2024 diperkirakan 21,84

Contoh : Kasus Data Ganjil
Buatlah prediksi penjualan pada tahun 2026
Penjualan
tahun (Y) X XY X2
2010 10 -4
2011 6 -3
2012 5 -2
2013 12 -1
2014 10 0
2015 15 1
2016 5 2
2017 12 3
2018 17 4
jumlah 92
Regresi Linear Berganda
Regresi Linier Berganda adalah hubungan secara
linear antara dua atau lebih variabel independen (X1,
X2,….Xn) dgn variabel dependen (Y).

 Analisis ini untuk mengetahui arah hubungan antara

variabel independen (X) dgn variabel dependen (Y)
apakah masing-masing variabel independen tsb
berhubungan positif atau negatif dan ut memprediksi
nilai dari variabel dependen apabila nilai variabel
independen mengalami kenaikan atau penurunan.
Data yang digunakan berskala interval atau rasio.
Persamaan regresi linear berganda
Y’ = a + b1X1+ b2X2+…..+ bnXn

Keterangan:
Y’                  =   Variabel dependen (nilai yang diprediksikan)
X1 dan X2      =   Variabel independen
a                    =   Konstanta (nilai Y’ apabila X1, X2…..Xn = 0)
b                    =   Koefisien regresi