ANALISIS REGRESI

REGRESI LINIER
SEDERHANA
DAN
REGRESI LINIER BEGANDA
TUJUAN BELAJAR
Setelah mempelajari bab ini diharapkan mampu :
1.Menjelaskan pentingnya analisis hubungan.
2.Menghitung koefisien korelasi Pearson (r) dan
koefisien regresi sederhana a dan b atau koefisien
refgresi berganda a, b, dan c
3.Menjelaskan arti koefisien korelasi (r) dan
koefisien regresi.
4.Memahami dan menerapkan regresi dan korelasi
PENTINGNYA ANALISIS
HUBUNGAN
1. Pada semua peristiwa/kejadian (ekonomi dan lainnya) pasti ada
factor yang menyebabkan terjadinya peristiwa itu.
2. Misalnya Hasil penjualan suatu produk mungkin disebabkan
karena kalah bersaing, atau karena kurang gencarnya promosi produk
3. Misalnya merosotnya hasil panen mungkin disebabkan oleh cuaca
buruk, atau oleh pemberian pupuk yang tidak proposional atau oleh
faktor lainnya
Uraian dan Contoh diatas menunjukan adanya
hubungan (korelasi) antara kejadian yang satu
dengan kejadian yang lainnya (hubungan antar
variable).
APA PERLUNYA
MENGETAHUI
HUBUNGAN VARIABEL ?
Didalam perencanaan suatu project selain data lama dan
data saat ini, diperlukan juga data hasil ramalan/prediksi
yang menggambarkan kemampuan di masa yang akan
datang.
Misalkan apabila dua variable (X = variabel bebas/var
yang mempengaruhi dan Y = variable terikat/var yang
dipengaruhi) mempunyai hubungan, maka nilai variabel
X dapat dipergunakan untuk memprediksi nilai Y.
Salah satu cara untuk melakukan peramalan adalah
dengan menggunakan analisis regresi linier/non linier.
KORELASI DAN REGRESI
Korelasi dan regresi keduanya mempunyai
hubungan yang sangat erat, setiap regresi pasti ada
korelasinya (kausalitas/sebab akibat atau
hubungan funsional)
Tetapi korelasi belum tentu bisa dilanjutkan
dengan regresi.
Korelasi yang demikian adalah korelasi antara dua
variabel yang tidak mempunyai hubungan
kausal/sebab akibat atau hubungan fungsional.
CONTOH-CONTOH HUBUNGAN
KAUSALITAS DAN FUNGSIONAL
1. Hubungan/Korelasi antara panas dengan tingkat pemuaian suatu
material, adalah hubungan kausal (sebab akibat).
2. Hubungan pemberian pupuk dengan produtivitas panen
3. Hubungan jumlah peserta akseptor KB dengan tingkat kelahiran
4. Hubungan biaya iklan dengan hasil penjualan
5. Hubungan harga suatu barang dengan permintaan barang
6. Hubungan pendapatan masyarakat dengan kejahatan ekonomi
7. Hubungan/korelasi antara gaya kepemimpinan dengan kepuasan
pegawai adalah hubungan fungsional.
CONTOH HUBUNGAN NON KAUSALITAS
DAN NON FUNGSIONAL

1. Hubungan/korelasi antara kupu-

kupu yang datang dengan banyaknya
tamu.
2. Hubungan/korelasi duduk didepan
pintu dengan sulitnya dapat jodoh
PENERAPAN ANALISIS
REGRESI
Analisis regresi digunakan, apabila kita ingin
mengetahui bagaimana variabel dependen
(terikat) dapat diprediksi melalui variabel
independen/prediktor (var. bebas).
Penggunaan analisis regresi antara lain untuk
memutuskan apakah naik/turunnya variabel
dependen dapat dilakukan melalui variabel
independen ?
Atau untuk meningkatkan keadaan var dependen
dapat dilakukan dengan meningkatkan var.
independen ?
 CONTOH KASUS
Misalkan dalam suatu penelitian dengan judul :
“Pengaruh harga sepeda motor terhadap
jumlah permintaan sepeda motor”
Dengan perumusan masalahnya adalah :
Apakah terdapat pengaruh/hubungan antara harga
terhadap jumlah permintaan sepeda motor ?
Dan dari rumusan masalah itu, dihipotesiskan bahwa
“Jumlah permintaan sepada motor dipengaruhi oleh harga
sepeda motor.
PERTANYAAN
LANJUTANNYA
1. Bagaimana hubungan/korelasi antara harga sepeda motor
terhadapa penjualan ? (sangat kuat, kuat, sedang, lemah, sangat
lemah)
2. Berapa persen pengaruh harga terhadap penjualannya ?
 NOTASI VARIABEL

Dua/lebih variabel numerik  ingin diketahui

hubungannya (x1, X2, … , xn).
Dua/lebih variabel numerik  salah satu variabel
dianggap sebagai variabel yang mempengaruhi
variabel lainnya
Variabel yang mempengaruhi  X, variabel
bebas, variabel penjelas
Variabel yang dipengaruhi  Y, variabel tak
bebas, variabel respon
JENIS-JENIS
REGRESI
1. REGRESI LINIER SEDERHANA

2. REGRESI LINIER BERGANDA

3. REGRESI NON LINIER

REGRESI LINIER
SEDERHANA
Regresi Linier Sederhana, didasarkan pada hubungan
kausal/fungsional satu variabel independen dengan satu variabel
dependen.
Bentuk Umum persamaaan, misal Variabel independen = x, dan
variabel dependen = Y, maka persamaan regresi linier sederhana
dinyatakan oleh :

Y = a + bx
Dalam praktek penelitian nilai-nilai atau data variabel x,
dan data variabel Y diperoleh dari hasil pengamatan/
pengukuran objek yang diteliti.
Misal (1) dalam penelitian tingkat pemuaian suatu
material (Y), oleh energi panas (x) yang
diberikan/diterima oleh material tersebut atau
(2) Misalnya ingin melihat hubungan antara pengeluaran
biaya iklan (X) dengan penerimaan melalui penjualan
(Y) :
APA YANG HARUS
DICARI/DIHITUNG ?
Yang harus dicari/dihitung adalah nilai-nilai
koefisien regresi dari a dan b.
Nilai dari Koefisien a, adalah suatu konstanta
yang menyatakan bahwa Y = a, jika nilai variabel
independen x = 0.
Nilai dari koefisien b, adalah suatu konstanta
yang menyatakan kecepatan/laju perubahan
bertambah/berkurangnya Y apabila x
bertambah/berkurang sebesar satu satuan.
APA YANG HARUS
DICARI/DIHITUNG ?
Selain itu ada parameter lain yang harus dihitung
yaitu :
(1). Koefisien Korelasi Pearson (r atau R), yang
menyatakan kuat lemahnya hubungan antara
variabel bebas (X) dgn variabel terikat (Y)
(2). Koefisien Determinasi (r kuadrat), yang
menyatakan seberapa persen besarnya pengaruh
variabel bebas X terhadap variabel terikat Y.
 BAGAIMANA MENDAPATKAN A
DAN B?
Metode yang digunakan : OLS (ordinary least squares), mencari a dan b sehingga
jumlah kuadrat error paling kecil
Cari penduga a dan b sehingga :

 
minimum n n

e   Yi - â - b̂X i
2
2
i
i 1 i 1
BAGAIMANA MENDAPATKAN NILAI
KOEFISIEN TERSEBUT ?
SALAH SATUNYA MELALUI PERHITUNGAN
SIMPANGAN RATA-RATA

 X  X  Yi  Y 
n Dengan (Xi – X) = simpangan rata-rata X.
i
b̂  i 1

 X  X
n
2 Dan (Yi – Y) = simpangan rata-rata Y.
i
i 1

â  Y  b̂X

Rata-rata Y Rata-rata X
 ATAU
MELALUI PERSAMAAN
BERIKUT
n X iYi   X i  Yi
b
n X  ( X i )
i
2 2

Dan koefisien a dari hubungan

a  Y  bX
 MENGHITUNG KOEFISIEN
KORELASI
Menggunakan koefisien Korelasi Pearson (r) atau disebut juga
Pearson’s product moment coefficient of correlation, yang nilai
nya
1  r  1
Kriteria hubungan :
Interpresi dariInterval
r adalah menunjukan kuat
Koefisien lemahnya hubungan.
Kriteria
Korelasi
0,00 – 0,199 Sangat rendah/lemah
0,20 – 0,399 Rendah/lemah
0,40 - 0,599 Sedang/cukup
0,60 – 0,799 Kuat/tinggi
0,80 -0,999 Sangat kuat/tinggi
1,00 sempurna
MENGHITUNG KOEFISIEN
KORELASI
Koefisien Korelasi (r) dapat dihitung dengan rumus korelasi Pearson
(Pearson’s product moment coefficient of correlation), yaitu :

n X iYi   X i  Yi
r
 n X i
2
 ( X i ) 2
 n Y  ( Y ) 
i
2
i
2
KOEFISIEN DETEMINASI
R 2

  Ŷ  Y 
i
2

KP  r  Y  Y
• Dinyatakan oleh : 2 atau 2
i

• Nilai KP adalah 0  r 1
Jika r = 1, hubungan X dan Y sempurna (sangat kuat) dan positif.
Jika r = 0, tidak ada hubungan antara X dan Y.
Jika r = -1, hubungan X dan Y sempurna (sangat kuat) dan negatif,
KOEFISIEN DETEMINASI

R 2

  Ŷ  Y 
i
2

Interpretasi KP  r 2
atau
 Y  Y
i
2

adalah seberapa persen pengaruh variable bebas (X)

terhadap variable terikatnya (Y) ?

•Model dalam ilustrasi bisa ditunjukkan memiliki R-

squared 0.85 atau 85%
 ILUSTRASI
Contoh 1 : Misalnya ingin melihat hubungan antara pengeluaran
untuk iklan (X) dengan penerimaan melalui penjualan (Y) :

Tahun 1 2 3 4 5 6 7 8 9 10
X 10 9 11 12 11 12 13 13 14 15

Y 44 40 42 46 48 52 54 58 56 60
 DIAGRAM PENCAR

65
sales revenue (millions of dollars)

60

55

50

45

40

35
8 10 12 14 16
ads expenditures (millions of dollars)
 DIAGRAM PENCAR
65 Ingin dibuat
model/persamaan
60
Y = a + bX
sales revenue (millions of dollars)

55
Model memuat
50
error, selisih nilai
45 e sebenarnya
dengan dugaan
40 Ŷ berdasar model
Y
35
8 10 12 14 16 e  Y - Ŷ
ads expenditures (millions of dollars)
PARADIGMA PENELITIAN

 
 
Regresi Linier Sedrhana
Y = a + bX 
 
 
 

X  
 
Y
 
 
 ILUSTRASI PERHITUNGAN
X Y X-rata Y-rata (X-rata)(Y-rata) (X-rata)2
10 44 -2 -6 12 4
9 40 -3 -10 30 9
11 42 -1 -8 8 1
12 46 0 -4 0 0
11 48 -1 -2 2 1
12 52 0 2 0 0
13 54 1 4 4 1
13 58 1 8 8 1
14 56 2 6 12 4
15 60 3 10 30 9

X  12   X  X  Y  Y   106 b = 106 / 30 = 3.533

Y  50  X  X
2
 30 a = 50 – 3.533 (12) = 7.60
 DIAGRAM PENCAR DATA :

65
sales revenue (millions of dollars)

y = 3.5333x + 7.6
60

55

50

45

40

35
8 10 12 14 16
ads expenditures (millions of dollars)
 INTERPRETASI A DAN B
a = besarnya nilai Y ketika X sebesar 0
b = besarnya perubahan nilai Y ketika X berubah satu
satuan. Tanda koefisien b menunjukkan arah hubungan X
dan Y
Pada kasus ilustrasi
a = 7.6 = besanya sales revenue, jika tidak ada belanja
iklan adalah 7.6 mlo
b = 3.533 = jika belanja iklan dinaikkan 1 juta dolar maka
sales revenue naik 3.533 juta dolar
 UJI SIGNIFIKASI KOEFISIEN B
H0 : b = 0 (artinya X tidak mempengaruhi Y)
H1 : b  0 (artinya X mempengaruhi Y)

 Y 
n 2
b̂ - 0  Ŷi
stat uji  t  s b̂  i 1
i

s b̂
( n  k )  X i  X 
n
2

i 1

Tolak H0 jika nilai t melebihi nilai t pada tabel dengan

derajat bebas (n-2) pada nilai peluang /2
Tolak H0 jika nilai-p < 
UJI SIGNIFIKANSI KOEFISIEN
B
Nilai sb = 0.52
Nilai t = 6.79
Nilai t pada tabel (db = 8,  = 5%) = 2.306
Kesimpulan : Tolak H0, data mendukung
kesimpulan adanya pengaruh ads expenditure
terhadap sales revenue.
TERIMA KASIH