WELCOME

TO OUR
PAGE
ANALISIS REGRESI

Desti Patmawati Keni Siti Suryani

NPM: 24041116118 NPM: 24041116133

Ramdhan Firmansyah
NPM: 24041116142

RETNOWATI WIBOWO SYIFA SITI ULFAH .U

NPM: 24041116146 NPM: 24041116156
 REGRESI
Macam-macam
Regresi
Asumsi
Regresi
Syarat-syarat
Pengertian Regresi
Regresi
Tujuan
Regresi
 Tujuan
Regresi

Menguji hipotesis karakteristik dependensi.

Untuk meramalkan nilai rata-rata variabel bebas dengan

didasarkan pada nilai variabel bebas diluar jangkauan sampel.
.

Membuat estimasi rata-rata dan nilai variabel tergantung

dengan didasarkan pada nilai variabel bebas
 Model regresi harus linier dalam parameter.
Variabel bebas tidak berkorelasi dengan disturbance
term (Error).
Nilai disturbance term sebesar 0 atau dengan simbol
sebagai berikut: (E (U / X) = 0
Varian untuk masing-masing error term (kesalahan)
konstan.
Asumsi Tidak terjadi korelasi antara anggota serangkaian
Regresi observasi yang diurutkan menurut waktu atau ruang
(otokorelasi).
Model regresi dispesifikasi secara benar. Tidak
terdapat bias spesifikasi dalam model yang digunakan
dalam analisis empiris.
Jika variabel bebas lebih dari satu, maka antara
variabel bebas (explanatory) tidak ada hubungan
linier yang nyata
• Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi antar variabel
bebas yang sangat tinggi atau terlalu rendah. Syarat ini hanya berlaku untuk regresi
linier berganda dengan variabel bebas lebih dari satu. Terjadi multikolinieritas jika
koefesien korelasi antara variable bebas > 0,7 atau < - 7.

• Tidak terjadi otokorelasi jika: - 2 ≤ DW ≤ 2.

• Keselerasan model regresi dapat diterangkan dengan menggunakan nilai R2semakin besar
nilai tersebut maka model semakin baik. Jika nilai mendekati 1 maka model regresi
semakin baik. Nilai R2 mempunyai karakteristik diantaranya: 1) selalu positif, 2) Nilai
R2 maksimal sebesar 1. Jika Nilai R2 sebesar 1 akan mempunyai arti kesesuaian yang
sempurna. Maksudnya seluruh variasi dalam variabel tergantung (variabel Y) dapat
diterangkan oleh model regresi. Sebaliknya jika R2 sama dengan 0, maka tidak ada
hubungan linier antara variabel bebas (variabel X) dan variabel tergantung (variabel
Y).
• Terdapat hubungan linier antara variabel bebas (X) dan variabel tergantung (Y).
 • Data berskalainterval atau rasio

• Terdapat hubungan dependensi, artinya satu

variabel merupakan variabel tergantung yang
tergantung pada variabel-variabel lainnya.
Ada dua macam linieritas dalam analisis regresi, yaitu linieritas dalam
variabel dan linieritas dalam parameter.

1. linier dalam variabel merupakan nilai rata-rata

kondisional variabel tergantung yang merupakan fungsi
linier dari variabel (variabel) bebas.
2. linier dalam parameter merupakan fungsi linier
parameter dan dapat tidak linier dalam variabel.

Setiap analisis regresi pasti ada korelasinya, tetapi analisis korelasi

belum tentu dilanjutkan dengan analisis regresi.
Konsep linieritas regresi
• Analisis korelasi yang • Analisis regresi digunakan
dilanjutkan dengan untuk mengetahui
analisis regresi yaitu bagaimana pola
apabila korelasi variabel dependent (kriteria)
mempunyai hubungan dapat dipredeksikan melalui
kausal (sebab-akibat) variabel independent (predik
atau hubungan tor).
fungsional. Untuk
menetapkan dua variabel
mem[unyai hubungan
kausal atau tidak, harus
didasarkan pada teori
atau konsep-konsep
tentang dua variabel
tersebut.
Macam-macam Regresi

1. Regresi Sederhana
Regresi sederhana didasarkan pada hubungan fungsional ataupun kausal
antara satu variabel independen dengan satu variabel dependen.
Persamaan umum regresi linier sederhana adalah : Y = bX + a
Dimana :
Y = subyek dalam variabel dependen yang diprediksikan
a = harga Y bila X = 0 (harga konstan)
b = angka arah atau koefisien regresi, yang menunjukkan angka
peningkatan ataupun penurunan variabel dependen yang
didasarkan pada variabel independen Bila b (+) maka naik, dan bila (-)
maka terjadi penurunan.
 Regresi Sederhana
X = subyek pada variabel Independen yang mempunyai nilai tertentu.
Secara teknis harga b merupakan tangen dari (perbandingan) antara
panjang garis variabel Independen dengan variabel dependen, setelah
persamaan regresi ditemukan.

𝑆𝑦 Dimana
ℎ𝑎𝑟𝑔𝑎 𝑏 = 𝑟 r = koefisien korelasi product moment antara variabel X dengan
𝑆𝑥
variabel Y
Harga a = Y - bX Sy = simpangan baku variabel
Sx = simpangan baku variabel Y Jadi harga b merupakan fungsi
dari koefisien korelasi.

Bila koefisien korelasi tinggi, maka harga b juga besar, sebaliknya bila
koefisien korelasi rendah maka harga b juga renah (kecil). Selain itu bila
koefisien korelasi negatif maka harga b juga negatif, dan sebaliknya bila
koefisien korelasi positif maka harga b juga positif.
 𝑛(σ 𝑋𝑌) − (σ 𝑋)(σ 𝑌)
𝑟=
[𝑛(σ 𝑋 2 ) − σ 𝑋)2 [𝑛(σ 𝑌 2 ) − (σ 𝑌)2 ]
(σ 𝑌𝑖 )(σ 𝑋𝑖2 ) − (σ 𝑋𝑖 ) (σ 𝑋𝑖 𝑌𝑖 )
𝑎=
𝑛 σ 𝑋𝑖2 − (σ 𝑋𝑖 )2
𝑛 σ 𝑋𝑖 𝑌𝑖 − (σ 𝑋𝑖 )(σ 𝑌𝑖 )
𝑏=
𝑛 σ 𝑋𝑖2 − (σ 𝑋𝑖 )2
Macam-macam Regresi

Regresi berganda Analisis regresi ganda digunakan oleh peneliti, bila peneliti
bermaksud meramalkan bagaimana keadaan (naik turunnya)
variabel dependen (kriterium), bila dua atau lebih variabel
Y = a + b1X1 + b2X2
independen sebagai prediktor dimanipulasi (dinaik-turunkan
nilainya). Jadi analisis regresi ganda akan dilakukan bila
jumlah variabel independennya minimal 2. Persamaan
regresi untuk dua prediktor adalah :

Persamaan regresi untuk tiga prediktor adalah : Y = a + b1X1 + b2X2 +

b3X3
Persamaan regresi untuk n prediktor adalah : Y = a + b1X1 + b2X2 + b3X3
+ b4X4
Untuk bisa membuat ramalan melalui regresi, maka data setiap
variabel harus tersedia. Selanjutnya berdasarkan data itu peneliti harus dapat
menemukan persamaan regresi melalui perhitungan.
Regresi Berganda Jika dalam regeresi linier sederhana hanya da satu
perubahan bebas (X) yang dihubungkan dengan
perubahan tidak bebas (Y) sedangkan dalam
regresi linier berganda ada beberapa variabel
bebas (X1), (X2), (X1) dan (Xn) yang merupakan
bagian dari analisis multivariant dengan tujuan
untuk menduga besarnya koefisien regresi yang
akan menunjukkan besarnya pengaruh beberapa
variabel bebas independent terhadap variabel
tidak bebas dependent. Dalam uji regresi
berganda seluruh variabel predictor (bebas)
dimasukkan ke dalam regresi secara serentak.
Jadi, peneliti bisa menciptakan persamaan regresi
guna memprediksi variabel terikat dengan
memasukkan, secara serentak variabel bebas.
Persamaan regresi kemudian menghasilkan
konstanta dan koifisien regresi bagi masing-
masing variabel bebas.
CONTOH SOAL
SEE YOU,
GOOD
BYE