REGRESI LINIER

SEDERHANA

E R N A W A T I PUJI. R
(1 9 0 6 4 5 2 1 6 4 )
FAUZIAH K HAIRATU NNIS A
(2 0 0 6 4 9 1 2 7 3 )

DEPARTEMEN BIOLOGI
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS INDONESIA
Regresi
• Regresi merupakan suatu alat ukur yang juga digunakan untuk mengukur ada atau
tidaknya korelasi antar variabel.
• Analisis regresi terbagi menjadi dua yaitu regresi linier dan Nonlinier.
• Analisi regresi linear terdiri dari analisis regresi linear sederhana dan analisis
regresi linear berganda.
• Perbedaan antar keduanya terletak pada jumlah variabel independennya. Regresi
linear sederhana hanya memiliki satu variabel independen, sedangkan regresi linear
berganda mempunyai banyak variabel independen. Analisis regresi Nonlinier adalah
regresi eksponensial.
 Regresi linear sederhana adalah hubungan secara linear antara satu
variabel independen (X) dengan variabel dependen (Y). Analisis ini
Regresi digunakan untuk mengetahui arah hubungan antara variabel independen
dengan variabel dependen apakah positif atau negatif serta untuk
Linier memprediksi nilai dari variabel dependen apabila nilai variabel
independen mengalami kenaikan atau penurunan nilai. Data yang
Sederhana digunakan biasanya berskala interval atau rasio.
 Kegunaan Regresi Linier

1. Untuk deskripsi dari fenomena data atau kasus yang sedang diteliti
2. Untuk tujuan kontrol
3. Untuk tujuan prediksi
 nilai duga parameter di dalam model regresi untuk kondisi
yang sebenarnya (true condition), sama halnya dengan
statistik mean (rata-rata) pada konsep statistika dasar.
Hanya saja, koefisien-koefisien untuk model regresi
merupakan suatu nilai rata-rata yang berpeluang terjadi
Koefisien pada variabel Y (variabel terikat) bila suatu nilai X (variabel
bebas) diberikan.
Regresi Koefisien regresi dapat dibedakan menjadi 2 macam,
yaitu:
1. Intersep
2. Slope
 Matematika : suatu titik perpotongan antara
suatu garis dengan sumbu Y pada
diagram/sumbu kartesius saat nilai X = 0
Statistika : nilai rata-rata pada variabel Y apabila
nilai pada variabel X bernilai 0. Apabila X tidak
memberikan kontribusi, maka secara rata-rata,
variabel Y akan bernilai sebesar intersep.
Intersep Intersep hanyalah suatu konstanta yang
memungkinkan munculnya koefisien lain di
dalam model regresi. Intersep tidak selalu dapat
atau perlu untuk diinterpretasikan. Apabila data
pengamatan pada variabel X tidak mencakup
nilai 0 atau mendekati 0, maka intersep tidak
memiliki makna yang berarti, sehingga tidak
perlu diinterpretasikan.
 Matematis : slope merupakan ukuran kemiringan dari
suatu garis.
Slope adalah koefisien regresi untuk variabel X (variabel
bebas).

Slope Statistika : slope merupakan suatu nilai yang

menunjukkan seberapa besar kontribusi (sumbangan)
yang diberikan suatu variabel X terhadap variabel Y. Nilai
slope dapat pula diartikan sebagai rata-rata
pertambahan (atau pengurangan) yang terjadi pada
variabel Y untuk setiap peningkatan satu satuan variabel
X.
Asumsi Klasik Regresi Linier
Model dispesifikasikan dengan benar

Error menyebar normal dengan rata-rata nol dan suatu ragam (variance) tertentu.

Ragam dari error bersifat homogen (homoskedastic)

Error tidak mengalami autokorelasi

Tidak terjadi multikolinieritas antar variabel bebas X

Regresi Linier Sederhana
Y = a + bX
Dimana :
Y = Variabel Response atau Variabel Akibat
(Dependent)
X = Variabel Predictor atau Variabel Faktor Penyebab
(Independent)
a = konstanta
b = koefisien regresi (kemiringan); besaran Response
yang ditimbulkan oleh Predictor.
Besarnya konstanta a dan b dapat dihitung dengan
menggunakan Rumus dibawah ini :
a =   (Σy) (Σx²) – (Σx) (Σxy)
               n(Σx²) – (Σx)²
b =   n(Σxy) – (Σx) (Σy)
             n(Σx²) – (Σx)²
 Langkah-Langkah melakukan analisis
regresi linier sederhana
1.Tentukan Tujuan dari melakukan Analisis Regresi Linear Sederhana
2.Identifikasikan Variabel Faktor Penyebab (Predictor) dan Variabel Akibat
(Response)
3.Lakukan Pengumpulan Data
4.Hitung  X², Y², XY dan total dari masing-masingnya
5.Hitung a dan b berdasarkan rumus diatas.
6.Buatkan Model Persamaan Regresi Linear Sederhana.
7.Lakukan Prediksi atau Peramalan terhadap Variabel Faktor Penyebab atau
Variabel Akibat
 Koefisien Korelasi ( R )

Untuk mengukur kekuatan hubungan antar variable predictor X dan respons Y,

dilakukan analisis korelasi yang hasilnya dinyatakan oleh suatu bilangan yang
dikenal dengan koefisien korelasi. Biasanya analisis regresi sering dilakukan
bersama-sama dengan analisis korelasi. Persamaan koefisien korelasi (r )
diekspresikan oleh :
 Koefisien determinasi pada regresi linear adalah seberapa besar
kemampuan semua variabel bebas dalam
menjelaskan varians dari variabel terikatnya. Secara sederhana
koefisien determinasi dihitung dengan mengkuadratkan
Koefisien Korelasi (R).

Koefisien
Semakin besar nilai R2 , semakin baik model regresi yang
determinasi (R2) diperoleh. Nilai R2 berkisar antara 0 s.d. 1.

Apabila nilai R2 dikalikan 100%, maka hal ini menunjukkan

persentase keragaman (informasi) di dalam variabel Y yang
dapat diberikan oleh model regresi yang didapatkan.
 Uji Signifikasi dan Hipotesis
Jika telah ditentukan Koefisien Determinasi ( r2 ), maka selanjutnya dilakukan uji
signifikan hipotesis yang diajukan. Uji ini dapat menggunakan Uji-t ; Uji-F ; Uji-z atau
Uji Chi Kuadrat. Dengan uji signifikansi ini dapat diketahui apakah variable bebas/
predictor/ independent (X) berpengaruh secara signifikan terhadap variable tak
bebas/ response/ dependent (Y). Arti dari signifikan adalah bahwa pengaruh antar
varible berlaku bagi seluruh populasi.
Langkah-Langkah Uji t pada regresi linear
:
 Seorang Engineer ingin mempelajari Hubungan
antara Suhu Ruangan dengan Jumlah Cacat yang
diakibatkannya, sehingga dapat memprediksi atau
meramalkan jumlah cacat produksi jika suhu
Contoh soal ruangan tersebut tidak terkendali. Engineer
tersebut kemudian mengambil data selama 30 hari
terhadap rata-rata (mean) suhu ruangan dan
Jumlah Cacat Produksi
 Tujuan : Memprediksi
Langkah 1 : Penentuan Jumlah Cacat Produksi
Tujuan jika suhu ruangan tidak
terkendali

Varibel Faktor Penyebab

Langkah 2 :
Penyelesaian Identifikasikan Variabel
Penyebab dan Akibat
(X) : Suhu Ruangan,
Variabel Akibat (Y) :
Jumlah Cacat Produksi

Berikut ini adalah data

Langkah 3 : yang berhasil
Pengumpulan Data dikumpulkan selama 30
hari (berbentuk tabel) :
Langkah 4 : Hitung X², Y², XY dan total dari masing-masing
 Menghitung Koefisien Regresi (b)
b =   n(Σxy) – (Σx) (Σy)
          n(Σx²) – (Σx)²
b = 30 (6.861) – (699) (282)
         30 (16.487) – (699)²
Langkah 5 : Hitung a
dan b berdasarkan b = 1,45

rumus Regresi Linear

Sederhana Menghitung Konstanta (a) :
a =   (Σy) (Σx²) – (Σx) (Σxy)
             n(Σx²) – (Σx)²
a = (282) (16.487) – (699) (6.861)
                30 (16.487) – (699)²
a = -24,38
Langkah 6 : Buat Model Persamaan Regresi Y = a + bX
Y = -24,38 + 1,45X

Langkah 7 : Lakukan Prediksi atau Peramalan terhadap Variabel Faktor Penyebab atau Variabel Akibat
I.Prediksikan Jumlah Cacat Produksi jika suhu dalam keadaan tinggi (Variabel X), contohnya : 30°C
Y = -24,38 + 1,45 (30)
Y = 19,12
Jadi Jika Suhu ruangan mencapai 30°C, maka akan diprediksikan akan terdapat 19,12 unit cacat yang dihasilkan oleh
produksi.
II. Jika Cacat Produksi (Variabel Y) yang ditargetkan hanya boleh 4 unit, maka berapakah suhu ruangan yang diperlukan
untuk mencapai target tersebut ?
4 = -24,38 + 1,45X
1,45X = 4 + 24,38
X = 28,38 / 1,45
X = 19,57
Jadi Prediksi Suhu Ruangan yang paling sesuai untuk mencapai target Cacat Produksi adalah sekitar 19,57°C
Contoh Soal
Suatu data penelitian tentang berat badan 10
mahasiswa yang diprediksi dipengaruhi oleh Data sebagai berikut :
konsumsi jumlah kalori/hari. Bagaimana
menganalisis kasus ini ? No. Nama Mahasiswa Kalori/ hari (X) Berat Badan (Y)

Untuk menganalisis kasus ini, hal-hal dilakukan 1 Dian 530 89

adalah : 2 Echa 300 48

3 Winda 358 56
1. Tujuan : apakah konsumsi jumlah kalori/hari
mempengaruhi berat badan mahasiswa. 4 Kelo 510 72

5 Intan 302 54
2. Variabel : X (variable bebas/predictor) = 6 Putu 300 42
jumlah kalori/hari Y (variable tak 7 Aditya 387 60
bebas/response) = berat badan 8 Anita 527 85

9 Sefia 415 63

10 Rosa 512 74
Tabel bantu yang dibuat untuk memudahkan
dalam melakukan perhitungan :

No. X X2 Y Y2 XY
1 530 280900 89 7921 47170
2 300 90000 48 2304 14400
3 358 128164 56 3136 20048
4 510 260100 72 5184 36720
5 302 91204 54 2916 16308
6 300 90000 42 1764 12600
7 387 149769 60 3600 23220

8 527 277729 85 7225 44795

9 415 172225 63 3969 26145

10 512 262144 74 5476 37888

S 4141 180223 643 43495 279294

5
• Koefisien Korelasi ( r ) Nilai ini memberi arti bahwa, hubungan variable
bebas/predictor X dengan variabel terikat/ response Y adalah sangat kuat,
prosentasenya 95%. Jadi, berat badan memang sangat dipengaruhi oleh
konsumsi jumlah kalori/hari.
• Koefisien Determinasi (R2) Dari contoh kasus di atas, maka koefisien
determinasinya adalah r 2 = 0,90 . Nilai ini berarti bahwa, 90% variabel bebas/
predictor X dapat menerangkan/ menjelaskan variabel tak bebas/ response Y dan
10% dijelaskan oleh variabel lainnya.
Daftar Pustaka
Kurniawan, D. 2008. Regresi Linier. https://ineddeni.wordpress.com

M. Nazir, 1983, Metode Statistika Dasar I , Gramedia Pustaka Utama:Jakarta

Sudijono, Anas, 1996, Pengantar Statistik Pendidikan, Jakarta:Rajawali Spiegel.

Murray. R, 2004, Statistika. Jakarta:Erlangga

Supranto. J., 2001, Statistika Teori dan Aplikasi Edisi Ke-6 Jilid 2. Jakarta:Erlangga

Walpole. R.,E., 1995, Ilmu Peluang Dan Statistika Untuk Insinyur dan Ilmuawan. Bandung:ITB

https://teknikelektronika.com/analisis-regresi-linear-sederhana-simple-linear-regression/ diakses 20/11/20 05.00