PENGERTIAN REGRESI LINIER

 Regresi linier digunakan untuk mengukur besarnya pengaruh variabel

bebas terhadap variabel tergantung dan memprediksi variabel
tergantung dengan menggunakan variabel bebas.
 Analisis regresi merupakan kajian terhadap hubungan satu variabel yang
diterangkan (the explained variable) dengan satu atau dua variabel yang
menerangkan (the explanatory).
 Tujuan Analisis Regresi

• Membuat estimasi rata-rata dari nilai variabel tergantung

dengan didasarkan nilai variabel bebas.

• Menguji hipotesis karakteristik dependensi.

• Meramalkan nilai rata-rata variabel bebas dengan

didasarkan variabel bebas diluar jangkauan sampel.
 SYARAT KELAYAKAN REGRESI LINIER SEDERHANA

 Model regresi layak bila nilai sig pada Anova (F-Test) < 0,05
 Prediktor yang digunakan sebagai variabel bebas layak bila Standar Error of
Estimate (SEE) < Standar Deviasi
 Koefisien regresi harus signifikan. Bila T hitung > T tabel
 Tidak
terjadi otokorelasi. Angka Durbin Watson harus >1 dan < 3 atau 1<
DW <3
 Keselarasanmodel dapat diterangkan dengan menggunakan nilai r 2
(semakin besar nilai tsb maka model semakin baik)
 Terdapat hubungan linier antara X dan Y
 Data harus berdistribusi normal
 Data berskala interval atau rasio
 Kedua variabel bersifat dependen
 PENGUJIAN HIPOTESIS

Pengujian hipotesis dalam regresi dapat dilakukan dengan:

1. Tingkat signifikansi biasanya 0,05 dengan kisaran 0,01 – 0,1
2. Tingkat kepercayaan, umumnya sebesar 95% yang berarti sebesar
95% nilai sampel akan mewakili nilai populasi dimana sampel
berasal
 CONTOH KASUS
Jumlah kunjungan ketitik layanan telpon seluler terhadap tingkat kepuasan konsumen:

Jumlah Kunjungan Kepuasan Konsumen

47098 6754
56847 7925
36984 5687
87489 9483
23346 3514
38660 6642
41835 7411
60149 9935
25524 3543
55911 7634
47683 7603
 PROSES ANALYSIS
 Klik Analyse>Regression>Linier
Pindahkan var Kepuasan ke kolom Dependent
Pindahkan var Kunjungan ke kolom Independent
Isi kolom method dengan Enter
Klik option:
Pada pilihan stepping method Criteria masukkan angka
0,05
Pada kolom Entry > Cek Include constant in equation
Pada missing value: cek Exclude cases listwise > tekan
Continue
 Klik Statistics
 PROSES ANALYSIS
 Klik Plot untuk membuat Grafik
 Isi kolom Y dengan SDRESID dan kolom X dengan ZPRED > tekan Next
 Isi kolom Y dengan ZPRED dan kolom X dengan DEPENDENT
 Pada pilihan Standardized Residual Plot, cek Normal Probability Pot > Tekan
Continue

 Klik OK
HASIL ANALISIS
 TAHAPAN ANALISIS

• Analisis Deskriptif
• Analisis Korelasi
• Bagian variable yang dimasukkan
• Variabilitas: besarnya variable tergantung yang dapat
diterangkan oleh variable bebas
• Uji kelayakan model regresi dalam memprediksi variable
tergantung (Uji Anova)
• Bagian koefisien regresi
• Diagnosa perkasus
 Analisis Deskriptif
Descriptive Statistics

  Mean Std. Deviation N

Tingkat Kepuasan 6921,00 2061,957 11

Jumlah Kunjungan 47411,45 17901,178 11

Descriptive Statistics
Besarnya rata-rata prediksi tingkat kepuasan 6921,00
Besarnya rata-rata prediksi kunjungan 47411,45
 ANALISIS KORELASI
Correlations
  Tingkat Kepuasan Jumlah Kunjungan

Tingkat Kepuasan 1,000 ,881

Pearson Correlation
Jumlah Kunjungan ,881 1,000
Tingkat Kepuasan . ,000
Sig. (1-tailed)
Jumlah Kunjungan ,000 .
Tingkat Kepuasan 11 11
N
Jumlah Kunjungan 11 11

Correlations
 Besar hubungan variabel tingkat kepuasan dan jumlah kunjungan 0,881 (kedua
hubungan sangat kuat)
 Korelasi positif: hubungan antara var tingkat kepuasan dan var kunjungan searah
 Hubungan var jumlah kunjungan dan tingkat kepuasan 0,000 < 0,05 (significant)
KEKUATAN HUBUNGAN
 MODEL PEMASUKAN VARIABEL

Variables Entered/Removeda

Model Variables Entered Variables Removed Method

1 Jumlah Kunjunganb . Enter

a. Dependent Variable: Tingkat Kepuasan

b. All requested variables entered.

 RINGKASAN MODEL

Model Summaryb

Model R R Square Adjusted R Std. Error of the

Square Estimate Durbin-Watson

1 ,881a ,777 ,752 1026,623 1,602

a. Predictors: (Constant), Jumlah Kunjungan

b. Dependent Variable: Tingkat Kepuasan

Model Summary (Ringkasan Model)
 Menunjukkan besarnya koefisien determinasi yang berfungsi untuk
mengetahui besarnya variabilitas variabel tergantung yang dapat diterangkan
dengan menggunakan variabel bebas
 Angka R Square disebut sebagai angka koefisien determinasi
 Besarnya koefisien determinasi dihitung dengan mengalikan R square dengan
100% yaitu = 100 X 0,777 = 77,7%
 Artinya 77,7% tingkat kepuasan dapat dijelaskan dengan menggunakan
variabel kunjungan
 Sisanya (100% - 77,7% = 22,3%) harus dijelaskan oleh faktor penyebab lain,
disebut sebagai error (e)
 Jadi e = 1 - R2
 Nilai Std Error of Estimate (SEE) pada tabel sebesar 1026,623 digunakan
untuk menilai kelayakan prediktor (var bebas) dalam kaitannya dengan var
tergantung
 Ketentuan nilai SEE < nilai Standar Deviasi (SEE 1026,623) < (Std Deviasi
Var Tergantung 2061,957) (lihat nilai Sd pada tabel Descriptive
Statistics)
 Maka prediktor yang digunakan memprediksi var tergantung sudah
layak.
 Nilai Durbin-Watson untuk melihat ada tidaknya otokorelasi dalam model
regresi
 Standarnya adalah: 1 < DW < 3
 Nilai DW pada tabel di atas sebesar 1,602 dimana 1< 1,602 <3) dengan
demikian tidak terjadi otokorelasi
 UJI ANOVA

ANOVAa

Model Sum of Squares df Mean Square F Sig.

Regression 33031076,184 1 33031076,184 31,340 ,000b

   
1 Residual 9485591,816 9 1053954,646

     
Total 42516668,000 10

a. Dependent Variable: Tingkat Kepuasan

b. Predictors: (Constant), Jumlah Kunjungan
Anova untuk menguji kelayakan model regresi
 Ketentuan angka probabilitas < 0,05

 Uji Anova Fhitung 31,340 dengan angka p sig 0,000 < 0,05 (significant) maka
model sudah layak digunakan untuk memprediksi variabel tergantung)
 Kelayakan dapat juga dilihat dari nilai F dengan dengan df: Vektor1:
(jumlah var-1), Vektor 2: (jumlah kasus – jumlah var) atau (2-1), (11-2) =
(1),(9)
 F hit (31,34) > F tabel (5,12) maka jumlah kunjungan berpengaruh
(significant) terhadap kepuasan.
 Koefisien Regresi

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients
Model t Sig.

B Std. Error Beta

(Constant) 2107,477 913,850   2,306 ,047

1
Jumlah
,102 ,018 ,881 5,598 ,000
Kunjungan

a. Dependent Variable: Tingkat Kepuasan

Coefficient
 Untuk menggambarkan persamaan regresi, angka konstan dan uji
hipotesis signifikansi koef regresi
 Persamaan regresinya adalah Y = a + bX
 Y = tingkat kepuasan
 X = data kunjungan hasil observasi
 A = angka konstanta dari unstandardized
 Y = 2107,477 + 0,102 X
a = 2107,477 adalah besarnya tingkat kepuasan saat jumlah kunjungan
(X) samadengan 0
b = angka koefisien regresi yang berarti setiap penambahan 1
kunjungan maka tingkat kepuasan meningkat 0,102
Coefficient
 Untuk mengetahui apakah koefisien regressi signifikan atau tidak
dapat dilihat dari angka uji t pada jumlah kunjungan dengan
ketentuan
 Nilai t tabel dengan α/2 = 0,05/2 =0,025
 df = (jumlah data – 2) = 9
 dengan ketentuan df di atas tersebut diperoleh t tabel = 2,262
 t hit (5,598) > t tabel (2,262) maka Ho ditolak (maka koefisien
regresi significant)
 Diagnosis per Kasus
Casewise Diagnosticsa
Case Std. Residual Tingkat Kepuasan Predicted Value Residual
Number
1 -,132 6754 6889,18 -135,176
2 ,045 7925 7878,96 46,041
3 -,171 5687 5862,34 -175,336
4 -1,468 9483 10989,94 -1506,936
5 -,939 3514 4477,72 -963,717
6 ,594 6642 6032,49 609,505
7 1,029 7411 6354,84 1056,158
8 1,676 9935 8214,20 1720,801
9 -1,126 3543 4698,84 -1155,842
10 -,146 7634 7783,93 -149,930
11 ,637 7603 6948,57 654,431
a. Dependent Variable: Tingkat Kepuasan
 Residuals Statisticsa

  Minimum Maximum Mean Std. Deviation N

Predicted Value 4477,72 10989,94 6921,00 1817,445 11

Std. Predicted Value -1,344 2,239 ,000 1,000 11

Standard Error of Predicted Value 309,578 789,994 415,412 144,799 11

Adjusted Predicted Value 4837,13 13177,75 7140,83 2271,157 11

Residual -1506,936 1720,801 ,000 973,940 11

Std. Residual -1,468 1,676 ,000 ,949 11
Stud. Residual -2,298 1,809 -,084 1,160 11
Deleted Residual -3694,750 2004,518 -219,834 1538,464 11
Stud. Deleted Residual -3,372 2,138 -,159 1,442 11
Mahal. Distance ,000 5,012 ,909 1,487 11
Cook's Distance ,000 3,835 ,428 1,135 11

Centered Leverage Value ,000 ,501 ,091 ,149 11

a. Dependent Variable: Tingkat Kepuasan

 STATISTIK RESIDUAL

• Dari table dapat dilihat bahwa nilai minimum tingkat

kepuasan yang diprediksi sebesar 4477,22; nilai
maksimum tingkat kepuasan yang diprediksi 10989,94;
dan nilai rata-rata tingkat kepuasan yang diprediksi
sebesar 6921,00.
Distribusi data
 Distribusi data

• Dari gambar histogram dapat dilihat bahwa data

berdistribusi normal