ANALISIS REGRESI SEDERHANA

(Pengolahan data dengan Ms. Excel dan SPSS 13)

Majiddin
Laboratorium Komputasi Jurusan Matematika FMIPA Universitas Haluoleo Kendari
majidstatistics@gmail.com

Ringkasan Teori
Dalam kehidupan sehari-hari kita sering melihat suatu peristiwa atau keadaan yang terjadi akibat
peristiwa yang lain. Untuk mengetahui hubungan antara kejadian tersebut, terutama untuk menelusuri
pola hubungan yang modelnya belum diketahui maka analisis regresi dapat dijadikan alat untuk membantu
menganalisis hubungan tersebut. Analisis regresi memiliki 3 kegunaan yaitu, deskripsi, kendali, dan
prediksi (peramalan). Tetapi manfaat utama dari kebanyakan penyelidikan statistik dalam dunia bisnis dan
ekonomi adalah mengadakan prediksi atau peramalan.
Dalam analisis regresi dikenal dua macam variabel atau peubah yaitu variabel bebas X
(independent variabel) adalah dan variabel tidak bebas Y (dependent variabel). Variabel bebas
(independent variabel) adalah suatau variabel yang nilainya telah diketahui, sedangkan variabel tidak
bebas (dependent variabel) adalah variabel yang nilainya belum diketahui dan yang akan diramalkan.
Secara sistematis rumus dari regresi linier sederhana dapat dituliskan dengan model persamaan
sebagai berikut:

Yi = β 0 + β1 X i + ε i
Dengan,
Yi adalah peubah tidak bebas yang berdistribusi ~ normal (0, σ )
2

Xi adalah peubah bebas dengan i = 1, 2, L n

β 0 (intersep) dan β1 (slop) adalah parameter-parameter yang tidak diketahui
ε i adalah Disturbance error yang berdistribusi ~ normal (0, σ 2 )

Contoh kasus:
Misalkan kita ingin melihat pengaruh nilai matematika mahasiswa terhadap nilai statistikanya.
Matematika (X) 70 50 93 65 60 75 68 40 65 80
Statistika (Y) 81 55 86 72 55 82 80 35 65 70
*) sumber : Surjadi, P.A., Pendahuluan Teori Kemungkinan dan Statistika: 191.
Menyelesaikan kasus dengan Ms. Excel
Langkah untuk menganalisis data tersebut yaitu:
1. Masukkan data-data tersebut ke dalam kolom worksheet excel seperti di bawah ini.
2. Pilih tools>data analysis, pilih regression lalu pilih OK.

3. Sorot data variabel Y untuk dimasukkan ke dalam kotak entri Input Y Range sedangkan untuk kotak
entri Input X Range kita menyorot data variabel X. Beri tanda centang pada Labels, residual dan
Normal Probabilitas Plots untuk melihat plot normal. Pada output options ketikan output sebagai
worksheet hasil analisis. Untuk lebih jelasnya perhatikan gambar berikut.
4. Pilih OK maka hasilnya adalah sebagai berikut.

Normal Probability Plot

100
Matematika

80
60
40
20
0
0 20 40 60 80 100
Sample Percentile

Plot probabilitas
 Output analisis regresi
Adapun pengujian dan interpretasinya akan dijelaskan pada penyelesaian kasus dengan SPSS 13.

Menyelesaikan kasus dengan SPSS 13

Langkah-langkah analisisnya yaitu:
1. Masukkan data pada data view SPSS 13 seperti gambar berikut.
2. Pilih analyze> regression> linear... sehingga muncul kotak dialog berikut.

3. Masukkan statistika(Y) ke dalam kotak entri dependent dan matematika (X) ke dalam kotak entri
independent(s). Kemudian pilih tombol statistics... kemudian beri tanda centang pada estimates,
confidence intervalas, model fit, descriptives dan part and partial correlations seperti gambar
berikut.
4. Pilih continue Lalu OK sehingga hasilnya dapat dilihat sebagai berikut.

Descriptive Statistics

Mean Std. Deviation N

Statistika 68.10 15.947 10
Matematika 66.60 14.879 10

Correlations

Statistika Matematika
Pearson Correlation Statistika 1.000 .870
Matematika .870 1.000
Sig. (1-tailed) Statistika . .001
Matematika .001 .
N Statistika 10 10
Matematika 10 10

Variables Entered/Removedb

Variables Variables
Model Entered Removed Method
1 Matematik
a . Enter
a
a. All requested variables entered.
b. Dependent Variable: Statistika
 Model Summaryb

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .870a .757 .727 8.333
a. Predictors: (Constant), Matematika
b. Dependent Variable: Statistika

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 1733.412 1 1733.412 24.964 .001a
Residual 555.488 8 69.436
Total 2288.900 9
a. Predictors: (Constant), Matematika
b. Dependent Variable: Statistika

Coefficientsa

Unstandardized Standardized 95% Confidence

Coefficients Coefficients Interval for B Correlations
Std. Lower Upper
Model B Error Beta t Sig. Bound Bound Zero-order Partial Part
1 (Constant) 5.979 12.709 .470 .651 -23.328 35.287
Matematika .933 .187 .870 4.996 .001 .502 1.363 .870 .870 .870
a. Dependent Variable: Statistika

Uji korelasi:
- Hipotesis kasus (uji 2 pihak):
H0: = 0 (tidak ada hubungan saling mempengaruhi antara nilai matematika dengan nilai statistika)
H1: 0 (ada hubungan saling mempengaruhi antara nilai matematika dengan nilai statistika)
- Kriteria uji
Tolak hipotesis nol jika r > rtabel pada taraf atau dengan melihat nilai P dengan kriteria tolak H0 pada
saat nilai P < (untuk contoh ini menggunakan = 5%).
- Kesimpulan
Nilai P (0,001) < /2 (0,025) sehingga kita menolak hipotesis nol dan berkesimpulan bahwa ada
hubungan antara nilai matematika dengan nilai statistika.

Selanjutnya yaitu kita mendapatkan persamaan regresi dari output yang dihasilkan untuk memprediksi
variabel Y yaitu:
= 5,979 + 0,933 X
Dapat pula ditulis:
 Nilai statistika = 5,979 + 0,933 nilai matematika
Arti koefisien b0 yaitu apabila nilai matematika sama dengan nol maka nilai statistika sama dengan
5,979. Sedangkan arti koefisien b1 yaitu apabila nilai matematika naik sebanyak satu satuan (nilai
matematika = 1), maka nilai statistika akan bertambah sebanyak 0,933 satuan.

Memprediksi/manaksir nilai statistika (Y)

Apabila kita mengetahui nilai matematika seorang mahasiswa yaitu 55, maka berapakah nilai
statistikanya apabila kita menggunakan persamaan di atas?
Maka jawabannya adalah dengan menghitung manual dengan rumus = 5,979 + 0,933 X dengan hasil
sebagai berikut:
Nilai statistika = 5,979 + 0,933 x nilai matematika
= 5,979 + 0,933(55)
= 57,294
Uji koefisien b1
- Hipotesis kasus
H0: b1 = 0 (koefisien b1 tidak signifikan)
H1: b1 0 (koefisien b1 signifikan)
- Kriteria uji
Tolak H0 jika thitung > ttabel pada taraf , atau tolak H0 jika nilai P < .
- Kesimpulan
Nilai P (0,001) < /2 (0,025) sehingga kita menolak hipotesis nol dan berkesimpulan bahwa
koefisien b1 adalah signifikan. Ini menunjukkan bahwa nilai matematika berpengaruh secara
signifikan terhadap nilai statistika mahasiswa.
Adapun tingkat keeratannya yaitu dengan melihat nilai R-Square yakni sebanyak 75,5% nilai
matematika mampu menerangkan nilai statistika.