ANALISIS REGRESI

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 :

a) Menduga fungsi regresi populasi berdasarkan fungsi

regresi sampel ;
b) Banyak metode untuk menyusun persamaan regresi
sampel, mis. free hand, least square & maximum
2 likehood;
c) Metode yang paling banyak digunakan adalah least
square;
 d) Metode least squares, pertama kali diperkenalkan oleh Carl Friedrich Gauss,
seorang ahli matematika berkebangsaan Jerman;
e) Untuk mencari persamaan garis regresi sampel dg metode least square,
kita memprediksi nilai suatu variabel dependen Y berdasarkan nilai
variabel independen X;
f) Untuk melihat pengaruh variabel independen X terhadap variabel dependen

Phs/Psi UA/'17
Y;

IV. Dalam anareg variabel independen, dsb : Prediktor (var.

yang digunakan untuk meramal) & variabel dependen, dsb : Kriterium
(var. yang diramalkan);

V. Perbedaan analisis korelasi & regresi adalah :

 Analisis korelasi untuk mengukur keeratan hubungan antara variabel-
variabel;
 Analisis regresi menjawab bagaimana pola hubungan antara
3
variabel .
 MACAM ANALISIS REGRESI

I. Analisis Regresi Sederhana (Simple

Regression Analysis) :

Phs/Psi UA/'17
 Jika jumlah prediktor (X) hanya satu.

II. Analisis Regresi Ganda (Multiple Regression

Analysis) :
 Jika jumlah prediktor (X) lebih dari satu.

4
 ASUMSI :

1. Jenis data interval atau ratio;

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

“Garis regresi berat badan pada umur”

“Anak umur 10 th, berat badan rata-rata 15 kg6”

5. Menyusun tabel ramalan/prediksi Y dengan
menggunakan persamaan garis regresi yang
diperoleh;
6. Menghitung error dalam prediksi.

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

 Harga b > 0, makin besar X, makin besar Y

 Harga b < 0, makin besar X, makin kecil Y

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 :

Ho : a = 0, tidak ada pengaruh X = 0

terhadap Y
Ha : a ≠ 0, ada pengaruh X = 0 terhadap Y
 Harga a dapat positip atau negatip

1
2
 Mencari Nilai Dugaan Koefsien Regresi b1 & b0

n n n
n  i i    i i

Phs/Psi UA/'17
b1   i1 i1 i1
n
 2 n
n   2 

 i 1  
i i
i1

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

Sumber Sum Degree of Mean Square Fhitung

Variasi Square freedom

Regresi SSR 1 SSR s12

s1  MSR 
2
F 

Phs/Psi UA/'17
1 s2
2

Error SSE n-2 SSE

s2  MSE 
2
n
2

Total SST n-1 ----

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

i1
 Pengujian Hipotesis :

Statistik uji hipotesis H0 : 0 = 0

  0  sx n  n  1 
t 
b 0

Phs/Psi UA/'17
se
 X 2

Statistik uji hipotesis H0 : 1 = 1

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  nn 1 1
8
 TABEL KERJA UNTUK
PENGHITUNGAN MANUAL :

X Y XY X2 Y2 Ŷ (Y-Ŷ) (Y-Ŷ)2 (Y-Y) (Y-Y)2

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

 Klik Analyze – Regression – Linear;

 Pindahkan variabel dependen kedalam box Dependent &
variabel independen kedalam box Independent;
 Isi kolom Method dengan perintah : Enter;

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;

 Klik OK untuk diproses

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

 Pengujian dilakukan dengan menggunakan angka

signifikansi, dengan ketentuan sbb :

Phs/Psi UA/'17
 Sig. penelitian < 0.05 : Ho ditolak & H1
diterima ------ signifikan
 Sig. penelitian  0.05 : Ho diterima & H1
ditolak ----- non signifikan

 Probabilitas yang baik untuk digunakan sebagai model

regresi, ialah Sig. < 0.05
28
 Phs/Psi UA/'17
Uji validitas model, melalui uji Anova, harga F
regression = 10.518 dan sig. = 0,009 < 0,05 ; Ho ditolak,
berarti signifikan;
Artinya, ada hubungan linear antara besarnya biaya
bahan baku dengan besarnya biaya produksi;
29 Kesimpulan, model regresi layak digunakan untuk
memprediksi biaya produksi.
 Persamaan Garis Regresi :

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;

 Dari hasil perhitungan :

tx = 3.243; dg sig = 0.009 < 0.05 ------
3
1 signifikan
tkonst = 0.536; dg sig = 0.604 > 0.05 ----- non
signf
 Kesimpulan :
Koefisien regresi signifikan, oleh karena itu
persamaan regresi yang dihasilkan dapat digunakan
untuk memprediksi besarnya biaya produksi
Artiny, besarnya biaya bahan baku dapat
memberikan kontribusi dalam memprediksi biaya

Phs/Psi UA/'17
produksi.

Dengan kata lain :

Persamaan regresi dapat digunakan untuk
32 memprediksi biaya produksi.
DIAGNOSIS PER KASUS :

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

 Besar kecilnya residual & std residual memberikan makna begi 33

persamaan regresi yg akan digunakan. Semakin kecil residu & std residu,
maka model regresi semakin baik digunakan untuk memprediksi.
Normal Probability Plot / Persyaratan Normalitas
* Grafik ini menunjukkan pemenuhan normalitas sebaran data, yi
kalau residu berasal dari distribusi normal, mk nilai-2 sebaran data
akan berada pada area di sekitar garis lurus.
* Grafik di bawah menunjukkan bahwa sebaran data berada pada
posisi di sekitar garis lurus yang membentuk garis miring dari
arah kiri bawah ke kanan atas. Oleh karena itu, persyaratan
normalitas sudah dipenuhi.

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

*Grafik ini menunjukkan apakah ada hubungan antara variabel prediktor

dg kreterium.
*Model yang memenuhi persyaratan adalah sebaran dimulai dari sebelah
kiri bawah, kmd lurus ke arah kanan dan ke atas.
Jika dilihat sebaran data di bawah, maka disimpulkan bahwa sebaran data
mengikuti persyaratan model keselarasan tiap data. Kesimpulannya model
regresi ini layak digunakan dalam memprediksi biaya produksi.

Phs/Psi UA/'17
36
 SELAMAT BERLATIH,

Phs/Psi UA/'17
ANDA PASTI BISA !!!

37