REGRESI SEDERHANA 2
Konsep Dasar
Model regresi merupakan suatu cara formal untuk mengekspresikan dua unsur penting suatu
hubungan statistik :
1. Suatu kecenderungan berubahnya peubah tidak bebas Y secara sistematis sejalan dengan
berubahnya peubah besar X.
2. Perpencaran titik-titik di ser kurva hubungan statistik itu.
Kedua ciri ini disatukan dalam suatu model regresi dengan cara mempostulatkan bahwa :
3. Ada suatu rencana peluang peubah Y untuk setiap taraf (level) peubah X.
4. Rataan sebaran-sebaran peluang berubah secara sistematis sejalan dengan berubahnya nilai
peubah X.
Analisis Regresi Linear Sederhana
Regresi Linear Sederhana adalah Metode Statistik yang berfungsi untuk menguji sejauh mana
hubungan sebab akibat antara Variabel Faktor Penyebab (X) terhadap Variabel Akibatnya. Faktor
Penyebab pada umumnya dilambangkan dengan X atau disebut juga dengan Predictor sedangkan
Variabel Akibat dilambangkan dengan Y atau disebut juga dengan Response. Regresi Linear
Sederhana atau sering disingkat dengan SLR (Simple Linear Regression) juga merupakan salah satu
Metode Statistik yang dipergunakan dalam produksi untuk melakukan peramalan ataupun prediksi
tentang karakteristik kualitas maupun Kuantitas.
Bentuk Fungsional Hubungan Regresi
Pemilihan bentuk fungsional hubungan regresi terkait dengan pemilihan
peubah bebasnya. Ada kalanya, teori bilang ilmu bersangkutan bisa
menunjukkan bentuk fungsional yang cocok. Teori belajar, misalnya, mungkin
mengindikasikan bahwa fungsi regresi yang menghubungkan biaya produksi
dengan berapa kali suatu item tertentu telah pernah muncul harus memiliki
bentuk tertentu dengan sifat-sifat asimtotik tertentu pula.
Yang lebih sering dijumpai adalah bahwa bentuk fungsional hubungan regresi
tersebut tidak diketahui sebelumnya, sehingga harus ditetapkan setelah datanya
diperoleh dan dianalisis. Oleh karenanya, fungsi regresi linier atau kuadratik
sering digunakan sebagai suatu model yang cukup memuaskan bagi fungsi
regresi yang tidak diketahui bentuknya. Bahkan, kedua jenis fungsi regresi yang
sederhana itu masih juga sering digunakan meskipun teori yang mendasarinya
menunjukkan bentuk fungsionalnya, terutama bila bentuk fungsional yang
ditunjukkan oleh teori terlalu rumit namun secara logis bisa dihampiri oleh
suatu fungsi linier atau kuadratik.
Kegunaan Analisis Regresi
Analisis regresi setidak-tidaknya memiliki 3 kegunaan, yaitu :
1. Untuk tujuan deskripsi dari fenomena data atau kasus yang sedang diteliti, regresi
mampu mendeskripsikan fenomena data melalui terbentuknya suatu model hubungan
yang bersifat numerik
2. Untuk tujuan control, regresi juga dapat digunakan untuk melakukan pengendalian
(kontrol) terhadap suatu kasus atau hal-hal yang sedang diamati melalui penggunaan
model regresi yang diperoleh, serta
3. Sebagai prediksi. model regresi juga dapat dimanfaatkan untuk melakukan prediksi
variabel terikat
Model Persamaan Regresi Linear Sederhana adalah seperti berikut ini:
Y = a + bX
Dimana :
Y = Variabel Response atau Variabel Akibat (Dependent)
X = Variabel Predictor atau Variabel Faktor Penyebab (Independent)
a = konstanta
b = koefisien regresi (kemiringan); besaran Response yang ditimbulkan oleh Predictor.
Nilai-nilai a dan b dapat dihitung dengan menggunakan Rumus dibawah ini :
2. Menghitung nilai satisitik t ( t hitung) dan mencari nilai t kritis dari tabel distribusi t pada dan
degree of freedom tertentu. Adapun nilai t hitung dapat dicari dengan formula sbb:
Dimana ˆ1 merupakan nilai pada hipotesis nol
3. Membandingkan nilai t hitung dengan t kritisnya. Keputusan menolak atau
menerima H0 sbb:
jika nilai t hitung > nilai t kritis maka H0 ditolak atau menerima Ha
jika nilai t hitung < nilai t kritis maka H0 diterima atau menolak Ha
Jika menolak hipotesis nol H0 atau menerima hipotesisi alternatif Ha berarti secara
statistik variabel independen signifikan mempengaruhi variabel dependen dan
sebaliknya jika menerima H0 dan menolak H1 berarti secara statistik variabel
independen tidak signifikan mempengaruhi variabel dependen.
Daerah penolakan (penerimaan) H0 : 1 =0 dan Ha : 1 0
Keputusan menolak hipotesis nol (H0) atau menerima
hipotesis alternatif Ha dapat juga dijelaskan melalui
distribusi probabilitas t seperti terlihat dalam gambar.
Nilai tc diperoleh dari nilai t kritis dari distribusi tabel t
dengan dan degree offreedom tertentu.
Contoh Kasus Analisis Regresi Linear Sederhana
25 22 7 484 49 154
26 21 5 441 25 105
27 26 12 676 144 312
28 25 11 625 121 275
29 26 13 676 169 338
30 27 14 729 196 378
Jumlah 699 282 16.487 3.112 6.861
Contoh Kasus Analisis Regresi Linear Sederhana