Você está na página 1de 10

BAB I

1.1 Pengertian Analisis Regresi


Analisis regresi merupakan persamaan matematik yang memungkinkan kita
meramalkan nilai nilai suatu peubah tak bebas dari nilai-nilai satu atau lebih peubah bebas.
Analisis regresi adalah salah satu di antara beberapa teknik yang banyak digunakan untuk
menganalisis data multifaktor. Analisis regresi merupakan sebuah alat statistik yang
memberikan penjelasan tentang pola hubungan (model) antara dua variabel atau lebih. Dalam
analisis regresi, dikenal dua jenis variabel yaitu :
Variabel Respon disebut juga variabel dependent yaitu variable yang keberadaannya
dipengaruhi oleh variabel lainnya dan dinotasikan dengan Y.
Variabel Prediktor disebut juga variabel independent yaitu variabel yang bebas (tidak
dipengaruhi oleh variabel lainnya) dan dinotasikan dengan X.
Analisis regresi setidak-tidaknya memiliki 3 kegunaan, yaitu untuk tujuan deskripsi
dari fenomena data atau kasus yang sedang diteliti, untuk tujuan kontrol, serta untuk tujuan
prediksi. Regresi mampu mendeskripsikan fenomena data melalui terbentuknya suatu model
hubungan yang bersifatnya numerik. Regresi juga dapat digunakan untuk melakukan
pengendalian (kontrol) terhadap suatu kasus atau hal-hal yang sedang diamati melalui
penggunaan model regresi yang diperoleh














BAB II

2.2 Regresi Linier
Regresi linier adalah metode statistika yang digunakan untuk membentuk model
hubungan antara variabel terikat (dependen; respon; Y) dengan satu atau lebih variabel bebas
(independen, prediktor, X). Apabila banyaknya variabel bebas hanya ada satu, disebut
sebagai regresi linier sederhana, sedangkan apabila terdapat lebih dari 1 variabel bebas,
disebut sebagai regresi linier berganda.
2.2.1 Regresi Linier Sederhana
Digunakan untuk mengetahui pengaruh dari variabel bebas terhadap variabel terikat
atau dengan kata lain untuk mengetahui seberapa jauh perubahan variabel bebas dalam
mempengaruhi variabel terikat. Dalam analisis regresi sederhana, pengaruh satu variabel
bebas terhadap variabel terikat dapat dibuat persamaan sebagai berikut:


Keterangan :
Y = variabel terikat
X = variabel bebas
a = intersep
b = koefisien regresi/slop
Berdasarkan rumus ini dapat dinyatakan:
a menyatakan intersep atau perpotongan yang didefinisikan secara metematis
adalah suatu titik perpotongan antara suatu garis dengan sumbu Y pada
diagram/sumbu kartesius saat nilai X = 0. Sedangkan definisi secara statistika
adalah nilai rata-rata pada variabel Y apabila nilai pada variabel X bernilai 0.
Dengan kata lain, apabila X tidak memberikan kontribusi, maka secara rata-rata,
variabel Y akan bernila sebesar intersep.
b adalah koefisien regresi untuk variabel X (variabel bebas). Dalam konsep
statistika, slope merupakan suatu nilai yang menunjukkan seberapa besar
kontribusi (sumbangan) yang diberikan suatu variabel X terhadap variabel Y.
Nilai slope dapat pula diartikan sebagai rata- rata pertambahan (atau
pengurangan) yang terjadi pada variabel Y untuk setiap peningkatan satu satuan
variabel X.
Y = a + bX

Nilai a dan b sendiri dapat dicari dengan menggunakan rumus :

atau


Contoh:
Berdasarkan hasil pengambilan sampel secara acak tentang pengaruh lamanya belajar (X)
terhadap nilai ujian (Y) adalah sebagai berikut:
JUMLAH PANEN (Y)
BANYAK PEKERJA
(X)
X
2
XY
40 4 16 160
60 6 36 360
50 7 49 350
70 10 100 700
90 13 169 1170
Y=310 X=40 X
2
=370 XY=2740



= 20,4



= 5,2
Sehingga persamaan regresi sederhana adalah Y= 20,4 +5,2 X
Berdasarkan hasil perhitungan regresi sederhana tersebut dapat diketahui bahwa
:Banyaknya pekerja mempengaruhi jumlah panen yang dihasilkan, karena banyaknya pekerja
membawa pengaruh positif terhadap jumlah panen yang dihasilkan.
2.2.2 Regresi Linier Berganda
Analisis regresi linier berganda memberikan kemudahan bagi pengguna untuk
memasukkan lebih dari satu variabel prediktor hingga p -variabel predictor dimana
banyaknya p kurang dari jumlah observasi (n). Sehingga model regresi dapat ditunjukkan
sebagai berikut :


Penggunaan rumus di atas jika
0
,
1
,.....
p
, adalah parameter yang harus diduga dari
data. Dengan melambangkan nilai dugaannya dengan b
0
,b
1
, ......., b
p
, maka dapat dituliskan
persamaan regresi menjadi bentuk :


Nilai dugaan kuadrat terkecil b
0
, b
1
, dan b
2
dapat diperoleh dengan memecahkan
persamaan linier simultan:
1. Y = na + b
1
X
1
+ b
2
X
2

2. YX
1
= aX
1
+ b
1
X
1
2
+ b
2
X
1
X
2

3. YX = aX
2
+ b
1
X
1
X
2
+ b
2
X
2
2

Sistem persamaan linier tersebut dapat diselesaikan untuk mendapatkan b
0
, b
1
,
b
2
,b
3
bp dapat menggunakan matrik seperti di bawah ini :


Bentuk matrik di atas membantu untuk mendapatkan nilai b0, b1, b, b3,,.bp yang
artinya harus mencari atau menentukan sousi dari sistem persamaan linier. Banyak cara
mudah untuk mennyelesaikan persamaan tersebut, antara lain dengan menggunakan Cramer
Y =
0
+
1
X
1
+
2
X
2
+...+
p
X
p

+

Y = b
0
+ b
1
X
1
+ b
2
X
2
+...+b
p
X
p



Maka x
1
, x
2
, x
3
, , x
n
dapat langsung dicari dengan membagi determinan matriks A
j

dengan determinan matriks koefisien A. Dimana :




STUDI KASUS 1

Data Peringkat Kimia, Nilai Ujian & Frekuensi Membolos Mahasiswa IKIP Jakarta
Siswa Peringkat Kimia (Y) Nilai Ujian (X
1
) Frekuensi Membolos (X
2
)
1
2
3
4
5
6
7
85
74
76
90
85
87
94
65
50
55
70
65
70
55
1
7
5
2
6
3
2
Siswa Peringkat Kimia (Y) Nilai Ujian (X
1
) Frekuensi Membolos (X
2
)
8
9
10
11
12
98
81
91
76
74
70
55
70
50
55
5
4
3
1
4
Tentukan persamaan regresinya!
Jawab :
X
1
= Nilai ujian
X
2
= Frekuensi membolos
Y = Peringkat kimia
X
1
= 725 X
2
= 43 (X
1
.X
2
) = 2540
X
1
2
= 44.475 X
2
2
= 195 Y = 1011
X
1
.Y = 61.685 X
2
.Y = 3581


Dengan memasukkan nilai-nilai ini ke dalam persamaan linier diatas, kita memperoleh :
12 b
0
+ 725 b
1
+ 43 b
2
= 1011
725 b
0
+ 44.475 b
1
+ 2540 b
2
= 61.685
43 b
0
+ 2540 b
1
+195 b
2
= 3581

Dengan menyelesaikan sistem persamaan linier ini, kita memperoleh b
0
= 27.547, b
1
=
0,922, dan b
2
= 0,284. Dengan demikian persamaan regresinya adalah :
Y = 25.547 + 0,922 X
1
+ 0,284 X
2

STUDI KASUS 2
Data berikut dikumpulkan untuk menentukan persamaan regresi hubungan antara
panjang bayi dengan umur dan berat waktu lahir.
Panjang
Bayi (Y)
Umur
(X
1
)
X
1
2
Bobot (X
2
) X
2
2
X
1
.X
2

57,5 78 6084 2,75 7,5625 214,5
52,8 69 4761 2,15 4,6225 148,35
61,3 77 5929 4,41 19,4481 339,57
67,0 88 7744 5,52 30,4704 485,76
53,5 67 4489 3,21 10,3041 215,07
62,7 80 6400 4,32 18,6624 345,6
56,2 74 5476 2,31 5,3361 170,94
68,5 94 8836 4,30 18,49 404,2
69,2 102 10404 3,71 13,7641 378,42
Y=548,7 X
1
=729 X
1
2
=60.123 X
2
=32,68 X
2
2
=128,66 X
1
.X
2
=2702,41

Jawab:
X
1
=729 X
2
=32,68 X
1
.X
2
= 2702,41
X
1
2
=60.123 X
2
2
=128,66 Y = 548,7
X
1
.Y= 45001 X
2
.Y=2035,52







Dengan memasukkan nilai-nilai ini ke dalam persamaan linier diatas, kita memperoleh :
9 b
0
+ 729 b
1
+ 32,68 b
2
= 548,7
729 b
0
+ 60.123 b
1
+ 2702,41 b
2
= 45.001
32,68 b
0
+ 2702,41 b
1
+128,66 b
2
= 2035,52
Dengan menyelesaikan sistem persamaan linier ini, kita memperoleh b
0
= 20,11 , b
1
=
0,0041, dan b
2
= 2,025. Dengan demikian persamaan regresinya adalah :
Y = 20,11 + 0,0041 X
1
+ 2,025 X
2

STUDI KASUS 3
Seorang Manajer Pemasaran deterjen merek ATTACK ingin mengetahui apakah Promosi
dan Harga berpengaruh terhadap keputusan konsumen membeli produk tersebut?
Data Kasus
No
Keputusan
Konsumen
(Y)
Promosi
(X
1
)
X
1
2
X
1
.Y
Harga
(X
2
)
X
2
2
X
2
.Y X
1
.X
2

1 23 10 100 230 7 49 161 70
2 7 2 4 14 3 9 21 6
3 15 4 16 60 2 4 30 8
4 17 6 36 102 4 16 68 24
5 23 8 64 184 6 36 138 48
6 22 7 49 154 5 25 110 35
7 10 4 16 40 3 9 30 12
8 14 6 36 84 3 9 42 18
9 20 7 49 140 4 16 80 28
10 19 6 36 114 3 9 57 18
Jumlah 170 60 406 1122 40 182 737 267

Jawab:
10 a + 60 b
1
+ 40 b
2
= 170..... (1)
60 a + 406 b
1
+ 267 b
2
= 1122.. (2)
40 a +267 b
1
+ 182 b
2
= 737.. . (3)
Persamaan (1) dikalikan 6, persamaan (2) dikalikan 1:
60 a + 360 b
1
+ 240 b
2
= 1020
60 a + 406 b
1
+ 267 b
2
= 35136
0 a + -46 b
1
+ -27 b
2
= -102............... ............. (4)
Persamaan (1) dikalikan 4, persamaan (3) dikalikan 1:
40 a + 240 b
1
+ 160 b
2
= 680
40 a + 267 b
1
+ 182 b
2
= 737
0 a + -27 b
1
+ -22 b
2
= -57......... (5)


Persamaan (4) dikalikan 27, persamaan (5) dikalikan 46:
-1242 b
1
- 729 b
2
= -2754
-1242 b
1
- 1012 b
2
= -2622
0 b
1
+ 283 b
2
= -132
b
2
= -132 : 283 = -0,466
Harga b
2
dimasukkan ke dalam salah satu persamaan (4) atau (5):
-102 = -46 b
1
- 27 (-0,466)
-102 = -46 b
1
+ 12,582
46 b
1
= 114,582
b
1
= 2,4909
Harga b
1
dan b
2
dimasukkan ke dalam persamaan (1):
170 = 10 a + 60 (2,4909) + 40 (-0,466)
170 = 10 a + 149,454 18,640
10 a = 170 149,454 + 18,640
a = 39,186 : 10 = 3,9186
Jadi:
a = 3,9186
b
1
= 2,4909
b
2
= -0,466
Keterangan:
a = konstanta
b
1
= koefisien regresi X1
b
2
= koefisien regresi X2
Persamaan regresi:
Y = 3,9186 + 2,4909 X
1
0,466 X
2




DAFTAR PUSTAKA
Walpole, R.E. 1995. Pengantar Statistika. Jakarta: Gramedia Pustaka Utama
Pujiati, S.A. 2011. Analisis Regresi Linier Berganda Untuk Mengetahui Hubungan Antara
Beberapa Aktifitas Promosi dengan Penjualan Produk. Surabaya: Institut
Teknologi Sepuluh Nopember. < http://blog.its.ac.id/ suherminstatistikaitsacid/
files/2008/09/regresi-linier-berganda.pdf > (25 Maret 2012)
Sukawi. 2010. Peran Analisis Regresi Berganda dalam Penelitian Survey Deskriptif.
Semarang: Universitas Diponegoro. < http://eprints.undip.ac.id/32381/1/sukawi
_ANALISIS_REGRESI_BERGANDA_DALAM_penelitian_survey.pdf >
(5 Maret 2012)