ANALISIS REGRESI LINEAR

• Regresi merupakan suatu model matematis yang dapat digunakan untuk

mengetahui pola hubungan antara dua atau lebih variabel. Garis yang
menunjukkan hubungan tersebut disebut garis regresi.
• Istilah regresi berarti ramalan atau taksiran; pertama kali diperkenalkan
oleh Sir Francis Galton pada tahun 1877.
• Menurut Galton, analisis regresi berkenaan dengan studi ketergantungan
dari suatu variabel yang menerangkan disebut variabel tak bebas
(dependent variable) pada satu atau lebih variabel dengan tujuan untuk
memperkirakan atau memprediksi nilai-nilai dari variabel tak bebas apabila
nilai variabel yang menerangkan sudah diketahui. Variabel yang
menerangkan sering disebut variabel bebas (independent variable).
• Persamaan regresi (regression equation) adalah suatu persamaan
matematis yang mendefinisikan hubungan antara satu atau beberapa
variabel.
• Sifat hubungan dalam persamaan regresi adalah hubungan sebab akibat
(causal relationship).
• Variabel yang nilainya mempengaruhi nilai variabel lain disebut variabel
bebas (independent variable) sedangkan variabel yang nilainya dipengaruhi
oleh nilai variabel lain disebut variabel terikat (dependent variable).
• Prinsip dasar yang harus dipenuhi dalam membuat suatu persamaan
regresi adalah bahwa antara variabel bebas dan variabel terikat
memiliki sifat hubungan sebab-akibat, baik yang didasarkan pada
teori, hasil penelitian sebelumnya ataupun yang didasarkan pada
penjelasan logis tertentu.
• Syarat-syarat regresi antara lain: data harus berbentuk interval atau
rasio, data berdistribusi normal, adanya korelasi antar variabel dan
tidak terdapat korelasi antar variabel bebas untuk regresi ganda.
• Analisis regresi dibedakan atas:
1. Regresi linear yaitu regresi yang membuat diagram pencar
membentuk garis lurus. Regresi linear terdiri atas regresi linear
sederhana (1 variabel bebas) dan regresi linear berganda (lebih dari
1 variabel bebas).
2. Regresi non linear, regresi yang membuat diagram pencar tidak
membentuk garis lurus tapi membentuk pola tertentu meliputi
parabolik, eksponen, genometrik, logistik dan hiperbolik.
 Regresi Linear Sederhana
• Dalam regresi linear sederhana hanya ada satu variabel bebas (x) yang
dihubungkan dengan satu variabel terikat (y).
• Hubungan antara variabel bersifat linear dimana perubahan pada variabel x akan
diikuti oleh perubahan pada variabel Y secara tetap.
• Model persamaan: Y = a + bx
x : variabel faktor penyebab/ variabel independen/ variabel bebas (predictor)
Y : variabel akibat/ variabel dependen/ variabel bergantung/ variabel
terikat (response)
a : konstanta; a = y apabila x = 0
b : koefisien regresi
Tujuan:
- Untuk menguji seberapa besar pengaruh satu variabel bebas terhadap variabel
terikat
- Untuk mengetahui arah hubungan antara variabel independen dengan variabel
dependen; apakah positif atau negatif.
-untuk memprediksi nilai dari variabel dependen; apakah mengalami kenaikan atau
penurunan
- untuk mengetahui karakteristik kualitas maupun kuantitas
 Rumus
• a = (Σy) (Σx²) – (Σx) (Σxy)
. n(Σx²) – (Σx)²
• a = Σy – b(Σx)
. n
• b = n(Σxy) – (Σx) (Σy)
. n(Σx²) – (Σx)²

Langkah-langkah dalam melakukan Analisis Regresi Linear Sederhana:

1. Tentukan Tujuan dari melakukan Analisis Regresi Linear Sederhana
2. Identifikasikan Variabel Faktor Penyebab (Prediktor) dan Variabel Akibat
(Response)
3. Lakukan Pengumpulan Data
4. Hitung X², Y², XY dan total dari masing-masingnya
5. Hitung a dan b berdasarkan rumus di atas.
6. Buatkan Model Persamaan Regresi Linear Sederhana.
7. Lakukan Prediksi terhadap Variabel Faktor Penyebab atau Variabel Akibat
Contoh data:
Hari ke- Indeks Stres Titer antibodi
1 3.13 5.0
2 1.50 4.5
3 1.70 2.0
4 1.82 3.7

Bagaimana menganalisis:
1. Pengaruh indeks stres terhadap titer antibodi
2. Pengaruh waktu terhadap indeks stres
3. Pengaruh waktu terhadap titer antibodi
Langkah-langkah dalam melakukan Analisis Regresi Linear
Sederhana :
1. Tentukan Tujuan dari melakukan Analisis Regresi Linear
Sederhana
Untuk mengetahui pengaruh indeks stres terhadap titer
antibodi
2. Identifikasikan Variabel Faktor Penyebab (Prediktor) dan
Variabel Akibat (Response)
Variabel faktor penyebab/variabel independen: indeks stres
Variabel terikat: titer antibodi
3. Lakukan Pengumpulan Data (data ada di tabel)
• 4. Hitung X², Y², XY dan total dari masing-masingnya

Hari ke- Indeks Stres Titer x2 y2 xy

(x) Antibodi (y)

1 3.13 5.0 9.79 25.00 15.65

2 1.50 4.5 2.25 20.25 6.75
3 1.70 2.0 2.89 4.00 3.40
4 1.82 3.7 3.31 13.69 6.73

Total (Σ) 8.15 15.20 18.24 62.94 32.53

5. Konstanta (a) = (Σy) (Σx²) – (Σx) (Σxy)

. n(Σx²) – (Σx)²
a = 15.2 (18.24) – 8.15 (32.53)
. 4(18.24) – (8.15)²
= 277.248 – 265.1195
. 72.96 – 66.4225
= 12.1285
. 6.5375
= 1.85
artinya nilai koefisien variabel titer antibodi sebesar 1.85

Persamaan: y = a + bx
a: konstanta; a = y apabila x = 0
b = n(Σxy) – (Σx) (Σy)
n(Σx²) – (Σx)²
= 4 (32.53) – (8.15) (15.20)
4 (18.24) – (8.15)²
= 130.12 – 123.88
72.96 – 66.4225
= 6.24
6.5375
= 0.95
y = a + bx
= 1.85 + 0.95x
Koefisien regresi x sebesar 0.95 mengandung arti setiap penambahan 1%
nilai indeks stres maka nilai titer antibodi bertambah sebesar 0.95
Koefisien regresi bernilai positif sehingga dapat dikatakan bahwa arah
pengaruh variabel x terhadap variabel y adalah positif. Artinya terjadi
hubungan positif antara indeks stres dengan titer antibodi; semakin
tinggi nilai indeks stres maka semakin tinggi nilai titer antibodi.
6. Buatkan Model Persamaan Regresi Linear Sederhana.
y = a + bx
= 1.85 + 0.95x
7. Lakukan Prediksi terhadap Variabel Faktor Penyebab atau Variabel Akibat
• Misal x = 4
y = 1.85 + 0.95 (4)
= 1.85 + 3.8
= 5.65
• Jika titer antibodi ditargetkan 8 maka berapa nilai indeks stres untuk
mencapai target tersebut
Jawab:
8 = 1.85 + 0.95x
0.95x = 8 – 1.85
0.95x = 6.15
x = 6.15/0.95
x = 6.47