ANALISIS

REGRESI SEDERHANA

Oleh:
Dr.Suliyanto, SE,MM

http://management-unsoed.ac.id
 Regresi Sederhana

 Download
 SEJARAH REGRESI

Istilah Regresi diperkenalkan oleh Fancis

Galtom
“Meskipun ada kecenderungan bagi orang tua
yang tinggi mempunyai anak-anak yang tinggi,
dan bagi orang tua yang pendek mempunyai
anak yang pendek, distribusi tinggi dari suatu
populasi tidak berubah secara menyolok (besar)
dari generasi ke generasi”.

Regresi = “Kemunduran ke arah sedang”

ILUSTRASI
 Pengertian Regresi
 Analisis regresi merupakan studi
ketergantungan satu atau lebih
variabel bebas terhadap variabel
tidak bebas. Dengan maksud untuk
meramalkan nilai variabel tidak
bebas.
 Perbedaan mendasar antara
korelasi dan regresi ?
 Korelasi hanya  Regresi menunjukkan
menunjukkan hubungan pengaruh.
sekedar hubungan.  Dalam regresi
 Dalam korelasi terdapat istilah
variabel tidak ada tergantung dan
istilah tergantung variabel bebas.
dan variabel bebas.
Istilah dan notasi variabel
dalam regresi ?
Y X
 Varaibel tergantung
(Dependent Variable)
 Variabel yang dijelaskan
(Explained Variable)
 Variabel yang diramalkan
(Predictand)
 Variabel yang diregresi
(Regressand)
 Variabel Tanggapan
(Response)
 Varaibel bebas (Independent
Variable)
 Variabel yang menjelaskan
(Explanatory Variable)
 Variabel peramal (Predictor)
 Variabel yang meregresi
(Regressor)
 Variabel perangsang atau
kendali (Stimulus or control
variable)
 Persamaan regresi estimasi yang baik
secara umum
Yˆ  a  bX
dimana

Yˆ adalah nilai estimasi Y berdasarkan X

yang dipilih.
a adalah titik potong Y. merupakan nilai
perkiraan bagi Y ketika X = 0.
b adalah kemiringan garis, atau perubahan
rata-rata pada Y untuk setiap satu unit
perubahan (baik naik/turun) pada variabel X
X adalah sembarang nilai variabel bebas yang
dipilih
 Metode Kuadrat Terkecil (OLS)
 Digunakan untuk menentukan persamaan linier
estimasi, berarti memilih satu garis linier dari
beberapa kemungkinan garis linier yang dapat
dibuat dari data yang ada yang mempunyai
kesalahan (error) paling kecil dari data aktual
dengan data estimasinya.
 Kriteria ini dikenal dengan prinsip kuadrat terkecil
(principle of least square).
 Prinsip pemilihan garis regresi ini adalah “pilih
garis yang mempunyai jumlah kuadrat deviasi nilai
observasi Y terhadap nilai Y prediksinya yang
minimum sebagai garis regresi yang paling baik”
 Persamaan Regresi
Persamaan Regresi
n( XY )  ( X )( Y )
linier Sederhana: b
n(  X 2 )  (  X ) 2
Y = a + bX + 
Y = Nilai yang diramalkan
a
b
= Konstansta
= Koefesien regresi a
 Y  b( X )
X = Variabel bebas
n
 = Nilai Residu
 Analisis Regresi Linear
Nilai variabel A dan B untuk populasi diberikan oleh
A  Y  B X da n
E  XY   E  X  E  Y  cov X , Y   xy
B  
E  X    E  X  var X  x
2 2

1 
Bila s xy    X i Yi   X i  Yi / n  adalah penduga untuk  xy dan
n i i i 

1   
2

s x   X i    X i  / n  adalah penduga untuk  x2 , m aka
2  2

n  i  i  


s xy x y i i
b  i

s x2 x i
2
i
 Y s i
e g re
r is r
g.
a
.
. .
. . .
Y ..
. .
.
X
O
X
12
Analisis Regresi Linear
y
ŷ  a  bx

y
y (0)
(+)
y
y
(-)
(+)

y
(0) y
(-)
y
(+)
y
y (-)
(+) y
(-)

Gambar 2 Garis regresi linier pada diagram pencar

 Regresi

Makna 0 & 1 ?
 Contoh Kasus:
Seorang manajer pemasaran akan meneliti
apakah terdapat pengaruh iklan terhadap
penjualan pada perusahaan-perusahaan di
Kota Mataram, untuk kepentingan penelitian
diambil 9 perusahaan sejenis yang telah
melakukan promosi.
 Pemecahan
1. Judul
Pengaruh biaya promosi terhadap
penjualan perusahaan.
2. Pertanyaan Penelitian
– Apakah terdapat pengaruh positif biaya
promosi terhadap penjualan perusahaan?
3. Hipotesis
– Terdapat pengaruh positif biaya promosi
terhadap penjualan perusahaan.
4. Kriteria Penerimaan Hipotesis
Ho : Tidak terdapat pengaruh positif biaya iklan
terhadap penjualan perusahaan.
Ha : Terdapat pengaruh positif biaya iklan
terhadap penjualan perusahaan.

 Ho diterima Jika b ≤ 0, t hitung ≤ tabel

 Ha diterima Jika b > 0, t hitung > t tabel.

5. Sampel : 9 perusahaan
 6. Analisis Data
Untuk analisis data diperlukan, perhitungan:
1.Persamaan regresi
2.Nilai Prediksi
3.Koefisien determinasi
4.Kesalahan baku estimasi
5.Kesalahan baku koefisien regresinya
6.Nilai t hitung
7.Nilai F hitung
8.Kesimpulan
 No Xi Yi Xi2 Yi2 XiYi Ytopi
1 1.5 4.8 2.25 23.04 7.20 4.65
2 1.8 5.7 3.24 32.49 10.26 5.53
3 2.4 7.0 5.76 49.00 16.80 7.29
4 3.0 8.3 9.00 68.89 24.90 9.05
5 3.5 10.9 12.25 118.81 38.15 10.51
6 3.9 12.4 15.21 153.76 48.36 11.69
7 4.4 13.1 19.36 171.61 57.64 13.15
8 4.8 13.6 23.04 184.96 65.28 14.32
9 5.0 15.3 25.00 234.09 76.50 14.91
Jlh 30.3 91.1 115.11 1036.65 345.09 91.10
 Regression Statistics
Multiple R 0.9911
R Square 0.9823
Adjusted R Square 0.9797
Standard Error 0.5388
Observations 9

ANOVA

  df SS MS F Sig. F
Regression 1 112.4837 112.48 387.52 2.1806E-07
Residual 7 2.0319 0.2903
Total 8 114.5156     

  Coefficients Stand. Error t Stat P-value Lower Upper

Intercept 0.2569 0.53235263 0.4827 0.6441 -1.00186 1.5158
Xi 2.9303 0.14885524 19.685 2E-07 2.57829 3.2823
 Nilai Prediksi
 Berapa besarnya penjualan jika promosi sebesar 1,5?
0,2569 + (2,9303*1,5)= 4,68

 Berapa besarnya penjualan jika promosi sebesar 1,8?

0,2569 + (2,9303*1,8)= 5,53

 Berapa besarnya penjualan jika promosi sebesar 2,4?

0,2569 + (2,9303*2,4)= 7,29

 Berapa besarnya penjualan jika promosi sebesar 3,0?

0,2569 + (2,9303*3,0)= 9,05

Dan seterusnya…………………….!!!
 Pengujian Terhadap
Koefisien Regresi
 Menentukan Ho dan H1
 H :  = 0
0
 H :   0
1
 Taraf nyata

 Statistik uji : Tabel t

 Daerah kritis : jika t hitung > t

 ; (n-2)

maka H0 ditolak
 Kesimpulan
 Analisis Regresi Linear
    
2

diman a  xi y i    X i Yi   X i  Yi / n  dan
 i 
i xi   i X i   i X i  / n 
2  2

i i i  

 2 
 2

2 1 X 
var b    b 
2 e
dan var a    a   e  
2
2 
i i
x 2


n i i 
x

2
X 2
cov a, b    a ,b  
 xi
i
2 e
Contoh
No Xi Yi Xi2 Yi2 XiYi Ytopi
1 2.0 5.0 4.0 25,0 10.0 4.63
2 4.0 6.0 16.0 36.0 24.0 6.74
3 5.0 8.0 25.0 64.0 40.0 7.79
4 7.0 10.0 49.0 100.0 70.0 9.89
5 8.0 11.0 64.0 121.0 88.0 10.95
Jlh 26.0 40.0 158.0 346.0 232.0 40.00

Regression Statistics
Multiple R 0.9857
R Square 0.9717
Adjusted R Square 0.9622
Standard Error 0.4956
Observations 5
 Hasilnya :
ANOVA
  df SS MS F Sig. F
Regression 1 25.2631579 25.263 102.86 0.00204232
Residual 3 0.73684211 0.2456
Total 4 26     

  Coefficients Standard Error t Stat P-value

Intercept 2.5263 0.58344874 4.33 0.0227
Xi 1.0526 0.10379087 10.142 0.002
 Contoh :
Vol_Sale
No. B_Promosi s X2 Y2 XY Y_topi
1 1.2 101 1.44 10201 121.20 109.568
2 0.8 92 0.64 8464 73.60 88.541
3 1.0 110 1.00 12100 110.00 99.054
4 1.3 120 1.69 14400 156.00 114.824
5 0.7 90 0.49 8100 63.00 83.284
6 0.8 82 0.64 6724 65.60 88.541
7 1.0 93 1.00 8649 93.00 99.054
8 0.6 75 0.36 5625 45.00 78.027
9 0.9 91 0.81 8281 81.90 93.797
10 1.1 105 1.21 11025 115.50 104.311
Jlh 9.4 959 9.28 93569 924.80 959.000
Hasil Regresi dengan Eviews
Dependent Variable: SALES
Method: Least Squares
Date: 09/03/15 Time: 22:50
Sample: 1 10
Included observations: 10

Variable Coefficient Std. Error t-Statistic Prob.  

C 46.48649 9.884566 4.702936 0.0015

PROMOSI 52.56757 10.26086 5.123117 0.0009

R-squared 0.766398     Mean dependent var 95.90000

Adjusted R-squared 0.737198     S.D. dependent var 13.33708
S.E. of regression 6.837150     Akaike info criterion 6.859476
Sum squared resid 373.9730     Schwarz criterion 6.919993
Log likelihood -32.29738     Hannan-Quinn criter. 6.793088
F-statistic 26.24633     Durbin-Watson stat 1.159751
Prob(F-statistic) 0.000904
 Nilai Prediksi
 Berapa besarnya penjualan jika promosi sebesar 1,2?
46,486 + (52,568*1,2)= 109,568
 Berapa besarnya penjualan jika promosi sebesar 0,8?
46,486 + (52,568*0,8)= 88,540
 Berapa besarnya penjualan jika promosi sebesar 1,0?
46,486 + (52,568*1,0)= 99,054
 Berapa besarnya penjualan jika promosi sebesar 1,3?
46,486 + (52,568*1,3)= 114,824
 Berapa besarnya penjualan jika promosi sebesar 0,7?
46,486 + (52,568*0,7)= 83,284
 Berapa besarnya penjualan jika promosi sebesar 0,8?
46,486 + (52,568*0,8)= 88,540
Dan seterusnya…………………….!!!
 Pengujian Terhadap
Koefisien Regresi
 Menentukan Ho dan H1
 H :  = 0
0
 H :   0
1
 Taraf nyata

 Statistik uji : Tabel Anova

 Daerah kritis : jika F hitung > F

 ; (1, n-2), maka
H0 ditolak
 Kesimpulan
 Tabel Anova
Sumber Variasi db Jumlah Kuadrat F hitung
Kuadrat rata-rata

Regresi 1 JKR JKR / 1 JKR / s2

Galat n – 2 JKG s2 = JKG /  

(n-2)

Total n-1 JKT    

 No Xi Yi Xi2 Yi2 XiYi Ytopi
1 1.5 4.8 2.25 23.04 7.20 4.65
2 1.8 5.7 3.24 32.49 10.26 5.53
3 2.4 7.0 5.76 49.00 16.80 7.29
4 3.0 8.3 9.00 68.89 24.90 9.05
5 3.5 10.9 12.25 118.81 38.15 10.51
6 3.9 12.4 15.21 153.76 48.36 11.69
7 4.4 13.1 19.36 171.61 57.64 13.15
8 4.8 13.6 23.04 184.96 65.28 14.32
9 5.0 15.3 25.00 234.09 76.50 14.91
Jlh 30.3 91.1 115.11 1036.65 345.09 91.10
 Regression Statistics
Multiple R 0.9911
R Square 0.9823
Adjusted R Square 0.9797
Standard Error 0.5388
Observations 9

ANOVA

  df SS MS F Sig. F
Regression 1 112.4837 112.48 387.52 2.1806E-07
Residual 7 2.0319 0.2903
Total 8 114.5156     

  Coefficients Stand. Error t Stat P-value Lower Upper

Intercept 0.2569 0.53235263 0.4827 0.6441 -1.00186 1.5158
Xi 2.9303 0.14885524 19.685 2E-07 2.57829 3.2823
Penduga Interval bagi
Koefisien Regresi
Selang Kepercayaan 100(1-)% bagi 1 adalah

ˆ1  t  sˆ  1  ˆ1  t  sˆ

;n  2 1 ;n  2 1
2 2

Selang Kepercayaan 100(1-)% bagi 0 adalah

ˆ0  t  sˆ   0  ˆ0  t  sˆ

;n  2 0 ;n  2 0
2 2
 Analisis Regresi Linear
    
2

dim ana  xi y i    X i Yi   X i  Yi / n  dan
 i 
i xi   i X i   i X i  / n 
2  2

i i i  

 2 
 2

2 1 X 
var b    b 
2 e
dan var a    a   e  
2
2 
i i
x 2


n i i 
x

2
X 2
cov a, b    a ,b  
 xi
i
2 e
 Analisis Korelasi Sederhana
* Adalah teknik statistika yang digunakan untuk
mengukur keeratan hubungan linier (asosiasi)
antara dua variabel.
* Ukuran yang menyatakan keeratan hubunga
adalah koefisien korelasi.
* Koefisien ini bernilai antara –1 <= r <= +1.
* Sebuah langkah awal yang sangat bermanfaat
dalam melihat hubungan antara dua variabel
adalah menampilkan informasi data ke dalam
bentuk diagram pencar.
Y .
. Korelasi Linear:
. . If semua titik (X,Y) pd diagram pencar
.. ..
. .. mendekati bentuk garis lurus.
. X
Y . . Korelasi Non-linear:
. . . If semua titik (X,Y) pd diagram pencar tidak
.. .. membentuk garis lurus.
. . . .
. X
Y .
. Korelasi Positif:
. . If jika arah perubahan kedua variabel sama
.. ..
. ..  If X naik, Y juga naik.
. X
Y
. .

Korelasi Negatif:
.. ..
. .

If jika arah perubahan kedua variabel tidak

. ..

sama  If X naik, Y turun.

.

X
http://rosihan.com
Korelasi
Formula Koefisien Korelasi

r
 ( x  x )( y  y )
[  ( x  x ) ][  ( y  y )
2 2
]
atau:

n xy   x y
r
[n( x )  ( x ) ][n( y )  ( y ) ]
2 2 2 2
 Beberapa catatan tentang nilai r
 Secara empiris, hampir tidak pernah
ditemukan korelasi sempurna (semua titik
terpencar tepat pada garis)
 Nilai r yang mendekati nol menunjukkan
derajat hubungan yang lemah
 Koefisien r merupakan estimasi sampel
terhadap koefisien korelasi populasi, 
 Nilai r mengandung error, sehingga perlu
diuji reliabilitasnya
 No Xi Yi Xi2 Yi2 XiYi Ytopi
1 1.5 4.8 2.25 23.04 7.20 4.65
2 1.8 5.7 3.24 32.49 10.26 5.53
3 2.4 7.0 5.76 49.00 16.80 7.29
4 3.0 8.3 9.00 68.89 24.90 9.05
5 3.5 10.9 12.25 118.81 38.15 10.51
6 3.9 12.4 15.21 153.76 48.36 11.69
7 4.4 13.1 19.36 171.61 57.64 13.15
8 4.8 13.6 23.04 184.96 65.28 14.32
9 5.0 15.3 25.00 234.09 76.50 14.91
Jlh 30.3 91.1 115.11 1036.65 345.09 91.10
 Contoh Kasus
Sales b_promosi
y x xy y2 x2
35 8 280 1225 64
49 9 441 2401 81
27 7 189 729 49
33 6 198 1089 36
60 13 780 3600 169
21 7 147 441 49
45 11 495 2025 121
51 12 612 2601 144
=321 =73 =3142 =14111 =713
 Contoh Perhitungan
Sales y n xy   x  y
r
70
[n(  x 2 )  (  x)2 ][n(  y 2 )  (  y)2 ]
60

8(3142)  (73)(321)
50 
40
[8(713)  (73)2 ][8(14111)  (321) 2 ]
30

 0.886
20

10

0
r = 0,886 → hubungan linier positif
0 2 4 6 8 10 12 14
relatif kuat antara var x dan y
B_promosi x
 Uji signifikansi koefisien
korelasi

Hipotesis nol dan hipotesis alternatifnya adalah :

H0 :  = 0 H1 :   0
r n2
Statistik uji : t
1 r2

dengan db v  n  2
 Lanjutan
Apakah hubungan linier antara biaya promosi dan
sales cukup signifikan pada taraf signifikansi 0,05?

H0: ρ = 0 (tak berkorelasi)

H1: ρ ≠ 0 (ada korelasi)

 = 0,05 ; df = 8 - 2 = 6

r .886
t   4.68
1 r 2 1  .886 2
n2 82
 Solusi
r .886
t   4.68
1 r 2 1  .886 2 Keputusan:
n2 82 Tolak H0

Kesimpulan:
d.f. = 8-2 = 6 Ada hubungan linier
pada taraf
signifikansi 5%
/2= 0,025 /2= 0,025

Reject H0 Do not reject H0 Reject H0

-tα/2 tα/2
0
-2,447 2,447
4,68
KOEFISIEN KORELASI
Adapun klasifikasi Koefisien Korelasi menurut
Jonathan Sarwono (2009 : 59) adalah :
0 : Tidak ada korelasi
>0 – 0,25 : Korelasi sangat lemah
>0,25 – 0,5 : Korelasi cukup
>0,5 – 0,75 : Korelasi kuat
>0,75 – 0,99 : Korelasi sangat kuat
1 : Korelasi sempurna
Koefisien Determinasi
 Dihitung dengan
mengkuadratkan koefisien
korelasi (r2)
 Menyatakan besarnya
kontribusi variabel X terhadap
perubahan variabel Y
 Persamaan Regresi
Penjualan (Y) 64 61 84 70 88 92 72 77

Promosi (X) 20 16 34 23 27 32 18 22

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
 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 + 1,497 X
 Nilai Prediksi
 Berapa besarnya penjualan jika promosi sebesar 20?
40,082 + (1,497*20)= 70,022
 Berapa besarnya penjualan jika promosi sebesar 16?
40,082 + (1,497*16)=64,034
 Berapa besarnya penjualan jika promosi sebesar 34?
40,082 + (1,497*34)= 90,98
 Berapa besarnya penjualan jika promosi sebesar 23?
40,082 + (1,497*23)= 74,513
 Berapa besarnya penjualan jika promosi sebesar 27?
40,082 + (1,497*27)=80,501
 Berapa besarnya penjualan jika promosi sebesar 32?
40,082 + (1,497*32)= 87,986
Dan seterusnya…………………….!!!
 (Y-
No Y X XY X2
Y 2 Ypred Ypred)2 (Y-Yrata)2

1 64 20 1280 400 4096 70.022 36.264 144

2 61 16 976 256 3721 64.034 9.205 225

3 84 34 2856 1156 7056 90.98 48.720 64

4 70 23 1610 529 4900 74.513 20.367 36

5 88 27 2376 729 7744 80.501 56.235 144

6 92 32 2944 1024 8464 87.986 16.112 256

7 72 18 1296 324 5184 67.028 24.721 16

8 77 22 1694 484 5929 73.016 15.872 1

Jlh 608 192 15032 4902 47094 608.08 227.497 886

Koefesien Determinasi
Koefesien determinasi:
 (Y  Yˆ ) 2 (227,497)
R  1
2 R  1
2
 0,743
 (Y  Y ) 2
(886)

Koefesien Determinasi Disesuaikan (adjusted)

P (1  R 2
) 1(1  0,743)
Radj  R2  Radj  0,743   0,70
N  P 1 8 11
 Kesalahan Baku
Estimasi
Digunakan untuk mengukur tingkat
kesalahan dari model regresi yang dibentuk.

Se 
 (Y  Yˆ ) 2

Se 
( 227,467)
 6,1576
nk 82
Standar Error Koefesien
Regresi
Digunakan untuk mengukur besarnya tingkat
kesalahan dari koefesien regresi:

Se 6,1576
Sb  Sb1   0,359
( X ) 2
(192) 2

X 
2
(4902) 
n 8
 Uji F
Uji F digunakan untuk uji ketepatan model, apakah nilai prediksi
mampu menggambarkan kondisi sesungguhnya:

Ho: Diterima jika F hitung  F tabel

Ha: Diterima jika F hitung > F tabel

R 2 /( k  1) 0,743 /( 2  1)
F F  17,367
1  R 2 /(n  k ) 1  0,743 /(8  2)

Karena F hitung (17,367) > dari F tabel (5,99) maka persamaan

regresi dinyatakan Baik (good of fit).
 Uji t
Digunakan untuk mengatahui pengaruh variabel bebas
terhadap variabel tergantung.
Ho: Diterima jika t hitung  t tabel
Ha: Diterima jika t hitung > t tabel

bj 1,497
Thitung  t hitung   4,167
Sbj 0,359

Karena t hitung (4,167) > dari t tabel (1,943) maka Ha diterima

ada pengaruh iklan terhadap penjualan.
 KESIMPULAN DAN
IMPLIKASI
KESIMPULAN
Terdapat pengaruh positif biaya
periklanan terhadap volume penjualan.

IMPLIKASI
Sebaiknya perusahaan terus
meningkatkan periklanan agar
penjualan meningkat.
 Tugas: absen ganjil
Carilah persamaan regresi dan uji
keberartian koefisien regresi dari data
berikut:
Y 63 61 84 70 86 94 72

X 20 16 36 23 27 32 18
 Tugas: absen genap
Carilah persamaan regresi dan uji
keberartian koefisien regresi dari data
berikut:

X 4 5 6 7 8 9 10
Y 9 11 13 12 13 14 16