REGRESI SEDERHANA

Oleh :
DRS I Made Pulawan, MMA
NIP 196008251987031002

Dosen Pengajar
Fakultas Ekonomi
Universitas Warmadewa
Denpasar
I Md Artawan, SE, MM
 REGRESI SEDERHANA
PENGERTIAN REGRESI

Regresi adalah suatu alat statistik yang

tujuannya membantu memperkirakan atau
menaksir nilai suatu variabel yang tidak
diketahui dari satu atau beberapa variabel
yang diketahui.

Istilah Regresi pertama kali diperkenalkan oleh

Sir Francis Galton pada tahun 1886. Galton
menemukan adanya tendensi bahwa orang tua
yang memiliki tubuh tinggi memiliki anak-anak
yang tinggi, orang tua yang pendek memiliki
anak-anak yang pendek pula.
I Md Artawan, SE, MM
Kendati demikian, ia mengamati bahwa ada
kecendrungan tinggi anak cendrung bergerak
menuju rata-rata tinggi populasi secara
keseluruhan. Dengan kata lain, ketinggian
anak yang amat tinggi atau orang tua yang
amat pendek cendrung bergerak ke arah rata-
rata tinggi populasi.

Inilah yang disebut hukum Galtom mengenai

regresi universal. Dalam bahasa Galton ia
menyebutnya sebagai regresi menuju
medikritas.
I Md Artawan, SE, MM
Analisis regresi pada dasarnya adalah studi
mengenai ketergantungan variabel dependen
(terikat) dengan satu atau lebih variabel
independen (variabel penjelas/ bebas), dengan
tujuan untuk mengestimasi dan atau
memprediksi rata-rata populasi atau nilai rata-rata
variabel dependen berdasarkan nilai variabel
independen yang diketahui.

Pusat perhatian adalah pada upaya menjelaskan

dan mengevaluasi hubungan antara suatu variabel
dengan satu atau lebih variabel independen.

I Md Artawan, SE, MM
Hasil analisis regresi adalah berupa
koefisien untuk masing-masing variabel
independen. Koefisien ini diperoleh dengan
cara memprediksi nilai variabel dependen
dengan suatu perusahaan.

Koefisien regresi dihitung dengan dua tujuan

sekaligus: yaitu, meminimumkan
penyimpangan antara nilai aktual dan nilai
estimasi variabel dependen berdasarkan
data yang ada

I Md Artawan, SE, MM
 REGRESI VS KORELASI
Analisis korelasi bertujuan untuk mengukur
kekuatan asosiasi (hubungan) linear antara
dua variabel. Korelasi juga tidak
menunjukkan hubungan fungsional.

Dengan kata lain, analisis korelasi tidak

membedakan antara variabel dependen
dengan variabl independen.
I Md Artawan, SE, MM
Analisis korelasi hanya menjelaskan 3 hal yaitu:

1. Ada tidaknya hubungan

Koefisien korelasi didapat sama dengan 0
maka berarti tidak ada hubungan.
2. Arah Hubungan
Koefisien korelasi bisa positif (+) & negatif (-)
3. Kuat lemahnya hubungan
Koefisien korelasi didapat di atas 0,5 maka
maka hubungannya kuat dan sebaliknya.

I Md Artawan, SE, MM
Dalam analisis regresi, selain mengukur
kekuatan hubungan antara dua variabel atau lebih,
juga menunjukkan arah hubungan antara variabel
dependen dengan variabel independen.

Variabel dependen diasumsikan random/stokastik,

yang berarti mempunyai distribusi probabilistik.
Variabel independen/bebas diasumsikan memiliki
nilai tetap (dalam pengambilan sampel yang
berulang).

I Md Artawan, SE, MM
Teknik estimasi variabel dependen yang melandasi
analisis regresi disebut Ordinary Least Squares
(pangkat kuadrat terkecil biasa).

Metode OLS diperkenalkan pertama kali oleh Carl

Friedrich Gauss, seorang ahli matematika dari jerman.

Inti metode OLS adalah mengestimasi suatu garis

regresi dengan jalan meminimalkan jumlah dari
kuadrat kesalahan setiap observasi terhadap garis
tersebut. I Md Artawan, SE, MM
 ASUMSI ORDINARY LEAST
SQUARES
– Model regresi linear, artinya linear dalam
parameter
– X diasumsikan non stokastik, artinya nilai X
dianggap tetap dalam sampel yang berulang.
– Nilai rata-rata kesalahan adalah nol, atau
E(ui/Xi)=0
– Homokesdastisitas, artinya variance
kesalahan sama untuk setiap periode
(homo=sama, skedastisitas=sebaran)
dinyatakan dalam bentuk matematis Var
(ui/Xi)=s2
I Md Artawan, SE, MM
– Tidak ada otokorelasi antar kesalahan
(antara ui dan uj tidak ada korelasinya) atau
secara matematis Covarian (ui, uj) = 0
– Antara u dan X saling bebas, sehingga Cov
(ui, Xi) = 0
– Tidak ada multikolkolinearitas yang
sempurna antar variabel bebas.
– Jumlah observasi , n, harus lebih besar dari
pada jumlah parameter yang diestimasi
(jumlah variabel bebas).

I Md Artawan, SE, MM
– Adanya variabilitas dalam nilai X, artinya
nilai X harus berbeda (tidak boleh sama
semua).

– Model regresi telah dispesifikasi secara

benar. Dengan kata lain tidak ada bias
(kesalahan) spesifikasi dalam model yang
digunakan dalam analisis empirik.

I Md Artawan, SE, MM
 PERSAMAAN REGRESI
SEDERHANA
Persamaan regresi secara aljabar
dinyatakan dalam garis regresi. Persamaan
regresi Y atas X adalah dipakai untuk
menggambarkan variasi nilai dari Y atas
perubahan tertentu dari X. Persamaan
regresi Y atas X umumnya dinyatakan
dalam bentuk :
 = konstanta

= koefisien regresi
Y =  + X X = variabel bebas (independen)
Y = variabel terikat (dependen)
I Md Artawan, SE, MM
B.Promosi N.Penj.
(X)
23
(Y)
100
contoh
24 120 Berikut ini disajikan data
34 135 perkembangan biaya promosi dan
36 200 volume penjualan sbb:
34 250
37 255
38 260
39 268
45 270
48 300 Dari data tersebut :
49 340
50 370 1. Carilah persamaan garis regresinya
60 380
2. Koefisien korelasi
80 390
86 400 3. Koefisien determinasi
89 405
90 469 4. Uji signifikansi parsial (uji t)
95 500
96 554
98 556
98 576
I Md Artawan, SE, MM
 jawab

Untuk memecahkan persoalan tersebut

dapat dipergunakan program SPSS.

Jika data dibuat dalam program MS-Excel

maka terlebih dahulu harus ditransfer ke
program SPSS, sehingga nampak seperti
gambar sebagai beriku:

I Md Artawan, SE, MM
Data telah ditransfer ke
dalam program SPSS,
maka langkah selanjutnya
dilakukan pengolahan data
dengan cara :
1. klik analyze,

2. Klik Regression,

3. klik linear, seperti nampak

pada gambar berikut:

I Md Artawan, SE, MM
Setelah anda Klik Linear maka akan muncul gambar berikut :
I Md Artawan, SE, MM
Masukkan variabel Y ke kotak dependent, dan variabel X ke kotak
independent, kemudian klik ststistics tandai beberapa item yg dibutuhkan
seperi gambar di atas, kemudian Klik Ok., maka muncul gambar
I Md Artawan, SE, MM
 Correlations

Y X
Pearson Correlation Y 1.000 .943
X .943 1.000
Sig. (1-tailed) Y . .000
X .000 .
N Y 21 21
X 21 21

Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .943a .889 .883 48.609
a. Predictors: (Constant), X

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 359270.2 1 359270.247 152.051 .000a
Residual 44893.753 19 2362.829
Total 404164.0 20
a. Predictors: (Constant), X
b. Dependent Variable: Y

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 45.528 25.983 1.752 .096
X 4.917 .399 .943 12.331 .000
a. Dependent Variable: Y

I Md Artawan, SE, MM
 Correlations

Y X
Pearson Correlation Y 1.000 .943
X .943 1.000
Sig. (1-tailed) Y . .000
X .000 .
N Y 21 21
X 21 21

Out put SPSS pada tabel Correlations menjelaskan

hubungan (korelasi antara X dengan Y).

Korelasi (hubungan) antara X dengan Y didapat sebesar

0,943, artinya terdapat korelasi antara X dengan Y adalah
sangat kuat.

Arah hubungannya adalah positif (+ 0,943) artinya jika X

naik maka Y juga naik, dan sebaliknya.

I Md Artawan, SE, MM
 Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .943a .889 .883 48.609
a. Predictors: (Constant), X

Out put SPSS pada tabel Model Summary menjelaskan

hal-hal sebagai berikut :

Koefisien Determinasi ( R Square) didapat sebesar 0,889

atau dijadikan persen 88,9%, artinya 88,9% proporsi variasi
perubahan variabel Y (nilai penjualan) dapat dijelaskan
Oleh variabel X (biaya promosi), sedangkan sisanya
dijelaskan oleh variabel lain.

Ingat rumus determinasi : D = r2 x 100%

I Md Artawan, SE, MM
 ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 359270.2 1 359270.247 152.051 .000a
Residual 44893.753 19 2362.829
Total 404164.0 20
a. Predictors: (Constant), X
b. Dependent Variable: Y

Out put SPSS pada tabel Model Summary

menjelaskan hal-hal sebagai berikut :

F-hitung didapat sebesar 152,051 dengan sig

0,000, artinya secara simultan variabel X (biya
promosi) mempunyai pengaruh yang nyata
terhadap variabel Y (vol. penjualan) ( F-hitung tidak
dicari karena hanya 2 variabel/ regresi sederhana)

I Md Artawan, SE, MM
 Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 45.528 25.983 1.752 .096
X 4.917 .399 .943 12.331 .000
a. Dependent Variable: Y

Out put SPSS pada tabel Coefficients

menjelaskan sbb :
Persamaan regresi : Y = 45,528 + 4,917 X

Koefisien regresi () didapat + 4,917, artinya jika

biaya promosi naik Rp. 1 maka nilai penjualan (Y)
akan naik sebesar Rp. 4,917.

I Md Artawan, SE, MM
 Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 45.528 25.983 1.752 .096
X 4.917 .399 .943 12.331 .000
a. Dependent Variable: Y

Uji signifikansi parsial (t-test)

Formulasi Hipotesis:
Ho :  = 0 tidak ada pengaruh antara biaya
promosi terhadap vol. penjualan.
Hi :  > 0 ada pengaruh positif antara biaya
promosi terhadap vol. penjualan
uji satu sisi (sisi kanan)
I Md Artawan, SE, MM
Pengujian dilakukan dengan alpha 5% (level of signifikan).

Kriteria Pengujian:
Ho diterima jika t-hitung < t-tabel
Ho ditolak jika t-hitung > t-tabel
atau
Ho diterima jika sig. > 0,05
Ho ditolak jika sig < 0,05

Simpulan :
Oleh karena sig. yang diperoleh pada tabel coeffisiens
didapat 0,000 jauh dibawah alpha 0,05, maka Ho ditolak ini
berarti biaya promosi mempunyai pengaruh yang signifikan
secara statistik terhadap nilai penjualan.

I Md Artawan, SE, MM
 Kunjungan Pendapatan
Tahun wisatawan Hotel Berikut ini ditampilkan data
(Orang) (Rp, jutaan)
perkembangan jumlah kunjungan
X Y
1980 2000 100
wisatawan dan pendapatan hotel
1981 2020 120 nampak sebagai berikut:
1982 2040 135
1983 2060 200
1984 2080 250 Dari data tersebut carilah :
1985 2100 255
1986 2120 260 1.Persamaan regresinya
1987 2140 268
1988 2160 270 2.Koefisien korelasi
1989 2180 300
1990 2200 340
3.Koefisien determinasi
1991 2220 370 4.Uji signifikansi parsial ( uji t )
1992 2240 380
1993 2260 390 5.Interpretasikan hasilnya
1994 2280 400
1995 2300 405
1996 2320 469
1997 2340 500
1998 2340 554
1999 2330 556
2000 2400 576
2001 2450 600
2002 2500 650
2003 2550 567
2004 2600 400
2005 2650 568 I Md Artawan, SE, MM