SEDERHANA
Phs/Psi UA/'17
Simple Regression Analysis
1
SIMPLE REGRESSION ANALYSIS
I. Tergolong dalam kategori model analisis korelatif;
II. Tujuan utamanya bukan untuk mencari keeratan hubungan,
seperti pd korelasi, hanya saja mekanisme perhitungannya bisa
digunakan untuk mencari korelasi; kedua analisis ini biasanya
dipakai bersama-sama;
Phs/Psi UA/'17
III. Tujuan utamanya adalah menjadi dasar untuk
mengadakan prediksi, yaitu :
Phs/Psi UA/'17
Y;
Phs/Psi UA/'17
Jika jumlah prediktor (X) hanya satu.
4
ASUMSI :
Phs/Psi UA/'17
2. Distribusi variabel dependen normal;
3. Ada korelasi linier antara variabel X dan Y;
4. Random sampling
5
LANGKAH - LANGKAH
1. Mencari korelasi antara prediktor & kriterium;
2. Menguji signifikansinya (poin 1 & 2 dpt
dihitung dr point 3);
3. Mencari harga b0 & b1 serta harga R2 & R
Menyusun persamaan garis regresi;
Phs/Psi UA/'17
4.
Prediktor (X) & Kriterium (Y) tidak boleh
dipertukarkan (non reversable);
Contoh :
Prediktor (X) ------- umur
Kriterium (Y) ------- berat badan
Phs/Psi UA/'17
7
MODEL REGRESI SEDERHANA DAPAT DINYATAKAN
DENGAN PERSAMAAN LINIER
Phs/Psi UA/'17
Yi 0 1Xi
i
8
UNTUK MENGESTIMASI NILAI 0 & 1 DIGUNAKAN
METODE ‘LEAST SQUARE’ (METODE KUADRAT TERKECIL)
BERDASARKAN PERSAMAAN
Yˆ b b
Phs/Psi UA/'17
X
i 0 1
Keterangan i
:bo : intercept/error ATAU
b1 : koefisien
regresi 9
Phs/Psi UA/'17
iˆ
Y a i
KeteranganbX
:
a : intercept/error
b : koefisien
regresi 1
0
Koefisien Regresi : b atau b1
Phs/Psi UA/'17
Arti b, jika X naik satu satuan X, maka Y akan
naik/turun sebesar b satuan Y
Hipotesis b :
Ho : b0 = 0, tidak ada pengaruh X terhadap Y
Ha : b0 ≠ 0, ada pengaruh X terhadap Y
Signifikansi b diuji melalui t test :
Jika sign. t< α, Ho ditolak --- ada pengaruh X sebesar b yang
bermakna terhadap Y, demikian sebaliknya.
1
1
Intercept : a atau b0
Merupakan harga konstanta
Jika X = 0, maka nilai Y = a
Phs/Psi UA/'17
Signifikansi a diuji melalui t
Hipotesis a :
1
2
Mencari Nilai Dugaan Koefsien Regresi b1 & b0
n n n
n i i i i
Phs/Psi UA/'17
b1 i1 i1 i1
n
2 n
n 2
i 1
i i
i1
b0 b 1 T
b0 Y b1
n
X
A
1
3
U
Koefisien Determinasi
Y
Phs/Psi UA/'17
2 1
R
Yˆ
Y
2
Y
2
R R 2
1
4
Tabel Anova untuk Regresi Sederhana
Phs/Psi UA/'17
1 s2
2
15
dimana : 2
n
n
Yi
SST Y i2 i
n
i 1
Phs/Psi UA/'17
SSR 1
2
X i X db uji F : (1; n-
2)
b
2
n
SSE Y i
2
0 Y b i 1 Xi
b Y i 1
6
i1
Pengujian Hipotesis :
0 sx n n 1
t
b 0
Phs/Psi UA/'17
se
X 2
t
b s
1 1 x
n 1
& adalah nilai acuan
1
7
0 1
1 2
2
s
e
n
2
Phs/Psi UA/'17
2
n X 2 X
s x2 n n 1
2
n Y 2 Y
y2
s nn 1 1
8
TABEL KERJA UNTUK
PENGHITUNGAN MANUAL :
P hs/Psi UA/'1 7
1
9
TABEL RAMALAN PREDIKSI
X Y Ŷ (Y- Ŷ) (Y- Ŷ)2
e e2
1 4
Phs/Psi UA/'17
Phs/Psi UA/'09
2 3
3 6
4 5
5 5
20
ERROR DALAM PREDIKSI
Ŷ prediksi biasanya tidak sama dengan Y, namun
biasanya mendekati rata-rata (mean) Y. Untuk
menghitung tinggal memasukkan tiap-tiap nilai X
kedalam persamaan garis
Phs/Psi UA/'17
Selisih antara Ŷ prediksi dengan Y
senyatanya inilah yang disebut error prediksi
2
1
e Y
Yˆ
ESTIMASI ERROR DALAM
PERSAMAAN REGRESI
Phs/Psi UA/'17
sY n
X
2
e2
22
CONTOH “Simple Regresion”:
Sebuah penelitian ingin mengetahui apakah ada pengaruh
biaya bahan baku terhadap biaya produksi pada perusahan
Semen Gresik. Penelitian menggunakan data selama dua
Phs/Psi UA/'17
belas bulan. Data seperti terlihat di bawah ini :
23
BLN BIAYA BIAYA
BAHAN PRODUK
BAKU SI
Januari 30 200
Februari 25 140 Lakukan analisis regresi
Maret 15 130 dg menggunakan
Phs/Psi UA/'17
April 24 175 program SPSS & secara
Mei 31 240 manual;
Juni 27 120 Susunlah
Juli 10 160 persamaan regresi;
Agustus 9 90 Susunlah tabel
September 29 300 ramalan prediksi;
Oktober 12 89 Simpulkan hasilnya.
Nopember 16 70
Desember 14 60
24
Langkah Analisis Regresi Sederhana dg SPSS
Phs/Psi UA/'17
Klik Option : Pada pilihan Stepping Method Criteria,
masukkan angka 0,05 pada kolom Entry;
Cek Include constant in equation;
Pada pilihan Missing Values, cek Exclude cases listwise;
Tekan Continue;
Pilih Statistic : Pada pilihan Regression Coefficient pilih
Estimate, Model Fit dan Descreiptive; Pada pilihan Residual,
pilih Case wise Diagnostics dan cek All Cases (untuk semua
kasus);
Tekan Continue; 25
Klik Plots untuk membuat Grafik;
Isi kolom Y dengan pilihan SDRESID & kolom X
dengan ZPRED, kemudian tekan Next
Isi lagi kolom Y dengan ZPRED & kolom X
dengan DEPENDENT;
Phs/Psi UA/'17
Pada pilihan Standardized Residual Plots, cek
Normal Probability Plot;
Tekan Continue;
26
HASIL ANALISIS DATA
Phs/Psi UA/'17
Untuk menghitung besarnya pengaruh biaya bahan baku
terhadap biaya produksi, dengan menggunakan R square;
Dalam model ini, besarnya R square = 0.513 atau 51.30%, berarti
51.30% biaya produksi (Y) dapat dijelaskan oleh besarnya biaya
bahan baku (X). Sedangkan sisanya (48.70%) oleh faktor lain
diluar biaya bahan baku.
R = 0.716 menyatakan kekuatan hubungan antara prediktor
27
(X) dg kriterium (Y), yaitu biaya bahan baku dengan biaya
produksi;
Uji Validitas Model (Uji kelayakan model regresi) dg
menggunakan ANOVA
Phs/Psi UA/'17
Sig. penelitian < 0.05 : Ho ditolak & H1
diterima ------ signifikan
Sig. penelitian 0.05 : Ho diterima & H1
ditolak ----- non signifikan
Phs/Psi UA/'17
Y ˆ 22.276
Bagian ini menggambarkan persamaan regresi untuk mengetahui
6.226X
bilangan konstans & uji hipotesis signifikansi koefisien regrasi;
a = bilangan konstan dari unstandardized coefficients, besarnya :
22.276. Angka ini berupa angka konstan yang mempunyai arti : “jika
tidak ada tambahan satu biaya bahan baku, maka biaya produksi akan
bertambah sebesar 22.276;
b = angka koefisien regresi 6.226. Artinya, setiap penambahan satu
30
biaya bahan baku, maka biaya produksi akan meningkat sebesar
6.226.
Phs/Psi UA/'17
t merupakan harga uji student - t yang
digunakan untuk uji keberartian koefisien
regresi;
Phs/Psi UA/'17
produksi.
Phs/Psi UA/'17
Untuk bulan Januari besarnya biaya bahan baku
berdasarkan data = 30, dg persamaan regresi diatas mk biaya prediksi
produksi (ŷ) = 22.276 + 6.226 (30) = 209.06.
Kolom residual memberikan penjelasan selisih antara biaya produksi
sebenarnya dg biaya produksi yang diprediksi : 200 – 209.06 = - 9.056
Kolom Std.Residuan (standardized residual) menyatakan residu yang
distandarkan, dg cara : Residual dibagi Standard Error of the Estimate.
Untuk kasus pertama : -9.056/52.702 = - 0.172
Phs/Psi UA/'17
34
Persyaratan Kelayakan Model Regresi (Model Fit)
* Model regresi layak digunakan untuk memprediksi jika data
yang tersebar berpencar di sekitar angka 0 pd sumbu Y.
* Dari gambar di bawah ini terlihat bahwa model regresi layak
digunakan untuk memprediksi. Hanya ada satu data yg terletak
disekitar titik nol.
Phs/Psi UA/'17
35
Persyaratan Model Fit Tiap Data
Phs/Psi UA/'17
36
SELAMAT BERLATIH,
Phs/Psi UA/'17
ANDA PASTI BISA !!!
37