Você está na página 1de 7

1.

Analisis Regresi Sederhana Analisis Regresi Sederhana (Simple Regression Analysis) digunakan untuk memprediksi nilai suatu variabel terikat berdasarkan nilai variabel bebas. Analisis ini juga dapat digunakan untuk mengetahui besarnya pengaruh satu variabel bebas atau lebih terhadap satu variabel terikat. Model regresi sederhana dapat dinyatakan sebagai persamaan linier berikut: yi = 0 + 1xi + i Untuk mengestimasi nilai 0 dan 1 digunakan metode kuadrat terkecil (last square method) berdasarkan persamaan: i = b0 + b1xi Untuk mencari nilai minimum fungsi kuadrat: = (yi - )2 = (yi b0 b1xi)2 Sebagai contoh Analisis Regresi Sederhana akan digunakan data berikut: Sebuah perusahaan yang memproduksi jeans memperkirakan bahwa iklan di televisi akan meningkatkan permintaan produk jeans perusahaan tersebut. Bagian marketing dari perusahaan jeansi tersebut ingin membuat model persamaan regresi untuk memprediksi permintaan jeans produksi perusahaan tersebut berdasarkan biaya iklan yang pernah dianggarkan dan digunakan selama 19 tahun terakhir seperti tercantum dalam tabel berikut: Jumlah Permintaan Jeans (y) (dalam ribuan) 94 96 95 Biaya Iklan (x) (dalam puluhan juta) 0.473 0.753 0.929

95 94 95 94 104 104 106 108 110 113 113 118 115 121 127 131

0.939 0.832 0.983 0.049 0.178 0.176 0.292 0.403 0.499 0.529 0.599 0.749 0.746 0.897 0.040 0.231

Tentukan persamaan regresi untuk data diatas. Apakah koefisien regresi yang didapat signifikan. Gunakan = 0,05. Solusi: Kita akan mencari koefisien regresi b0 dan b1 dari persamaan regresi linier sederhana i = b0 + b1xi dan melakukan uji hipotesis untuk mengetahui apakah koefisien regresi yang diperoleh signifikan. Bentuk hipotesis untuk menguji koefisien bo dan b1 adalah H0 : 0 = 0 H0 : 0 0 dan H0 : 1 = 0 H0 : 1 0 dimana 0 dan 1 adalah parameter dari model regresi yi = 0 + 1xi + i Prosedur SPSS Regresi Linier Sederhana

1. Pada lembar Variabel View dari SPSS Data Editor kita definisikan variabel Jumlah Permintaan Jeans dengan nama variabel jeans dan diberi variabel labels Jumlah Permintaan Jeans. Untuk variabel Biaya Iklan digunakan nama Iklan dan diberi variabel labels Biaya Iklan sebagai berikut:

2. Kemudian pada lembar Data View dari SPSS Data Editor, kita masukkan data peringkat dari jeans dan iklan sebagai berikut:

3. Klik Analyze Regression Linear sebagai berikut:

4. Kemudian akan didapat tampilan sebagai berikut:

5. Pindahkan variabel Jumlah Permintaan Jeans ke dalam box berjudul Dependent dan variabel Biaya Iklan Independen(s) sebagai berikut:\ ke dalam box berjudul

6. Pastikan anda memilih Method : Enter. Kemudian klik OK. Akan didapat hasil Regresi SPSS sebagai berikut:

Interpretasi Hasil Nilai R2 (R Square) dari tabel Model Summary menunjukkan bahwa 93,8% dari varriance Jumlah Permintaan Jeans dapat dijelaskan oleh perubahan dalam variabel Biaya Iklan.

Tabel ANOVA diatas mengindikasikan bahwa regresi secara statistik sangat signifikan dengan nilai F = 259.226 untuk derajat kebebasan k = 1 dan n k 1 = 19 - 1 1 = 17 dan P value = 0,000 yang jauh lebih kecil dari = 0,05.

Uji F menguji secara serentak hipotesis H0 : 0 : 1 = 2 = 3 = ... = k = 0 terhadap H1 : tidak semua 1 , i = 1,2,...,k = 0. Tetapi karena pada regresi sederhana hanya ada satu 1 , maka kita hanya menguji H0 : 1 = 0 terhadap H0 : 1 0. Dari tabel ANOVA jelas sekali terlihat bahwa H0 ditolak karena P value = 0,000 lebih kecil dari = 0,05.

Persamaan garis regresi menggunakan metode kuadrat terkecil (least square method) yang didapat adalah = 74,673 + 24,280 x , dimana = jumlah permintaan jeans dan x = biaya iklan.

Untuk menguji signifikan masing-masing koefisien regresi digunakan uji statistik t. Untuk menguji 1 : H0 : 1 = 0 terhadap H1 : 0 0 dari output SPSS didapat nilai uji-t dengan t= 16,102 dengan derajat kebebasan n 2 = 19 2 = 17 dan P value = 0,000. Hal ini merupakan bukti kuat penolakan H0 : 1 = 0, karena P value = 0,000 lebih kecil dari = 0,05.

Rumus Regresi Linier Sederhana Model: yi = 0 + 1xi + i Untuk mengestimasi nilai 0 dan 1 digunakan metode kuadrat terkecil (last square method) berdasarkan persamaan: i = b0 + b1xi , untuk mencari nilai minimum fungsi kuadrat:

Persamaan normal bagi model regresi linier sederhana adalah:

Nilai dugaan bagi koefisien-koefisien regresi dan

Koefisien determinasi: Pengujian hipotesis: Statistik uji untuk pengujian hipotesis H0 : 0 = 0 Statistik uji untuk pengujian hipotesis H0 : 0 = 1

dimana 0 dan 1 adalah nilai acuan.

Tabel ANOVA untuk Regresi Linier Sederhana

Sumber Variasi Regresi

Jumlah Derajat Kuadrat Kebebasan SSR 1

Rata-rata kuadrat

F hitung

Error

SSE

n-2

Total dimana:

SST

n-1

Derajat kebebasan untuk statistik uji F adalah {1; n 2}

Analisis Regresi Linear Berganda Analisis Regresi Linear Berganda (Multiple Linear Regressio Analysis) merupakan pengembangan dari analisis regresi sederhana dimana terdapat lebih dari satu variabel independen (bebas) x. Secara Umum model regresi linier berganda : yi = 0 + 1x1i + 2x2i + 3x3i +... + kxki + i Analisis regresi berganda digunakan untuk melihat pengaruh sejumlah variabel independen x1, x2,..., xk terhadap variabel dependen y atau juga untuk memprediksi nilai suatu variabel dependen y berdasarkan nilai variabel-variabel independen x1, x2,..., xk . Untuk mengestimasi nilai 0,1,2,..., k digunakan metode kuadrat terkecil (least square method) berdasarkan persamaan: dan mencari nilai minimum fungsi kuadrat:

Sebagai contoh Analisis Regresi Berganda akan digunakan data berikut: Suatu perusahaan di bidang industri memiliki data usia, income sales person dan pengalaman kerja sebagai sales. Perusahaan itu ingin membuat model regresi berganda untuk memprediksi income berdasarkan usia dan pengalaman kerja.