Modul Statistik Bisnis (TM14)

MODUL PERKULIAHAN
Statistik
Modul 13.
Analisis regresi linier dan berganda,
koefisien determinasi, pengujian
hipotesa pada regresi
Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh
13
EKONOMI BISNIS AKUNTANSI MK34002 Yusnina, SP.,M.Stat
Abstract Kompetensi
Materi ini bertujuan untuk memahami a. Mengetahui dan memahami arti
prosedur analisi regresi linier berganda, dan kegunaan analisis regresi
koefisien determinasi dan Uji linier berganda
signifikansi b. Mengetahui dan memahami
koefisien determinasi dan uji
signifikansi
Analisis regresi linier dan berganda, koefisien
determinasi, pengujian hipotesa pada
regresi
PENGERTIAN :
 Sebuah model yang berusaha menerangkan hubungan fungsional antara dua buah
variabel, di mana satu variabel menjadi prediktor terhadap variabel respon (Y)
 Sebuah model yang berusaha menerangkan hubungan dependensi dari dua
variabel, di mana salah satu variabel bersifat dependen (Y) atas variabel lainnya.
 Hubungan ini tidak bersifat deterministik
JENIS HUBUNGAN
 Regresi Linier Sederhana

 Regresi Linier Multipel
 Regresi Non linier
Model Dasar Regresi Linier Sederhana
Y = a + bx + e
a adalah parameter intercept
b adalah parameter slope
e adalah residual yang merupakan variabel random dengan
E(e) = 0 dan berdistribusi normal
Syarat variabel dalam regresi:
 Variabel X dan Y memiliki skala pengukuran sekurang-kurangnya interval

 Data yang terkumpul harus memenuhi model dasar
 Pengumpulan datanya bisa dilakukan melalui dua cara :
- Variabel X (independent) ditentukan terlebih dahulu
‘16 Statistik Bisnis

2 Yusnina,SP.,M.Stat
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
- Sekaligus dihitung X dan Y
 Karena harga variabel X fixed, maka distribusi variabel Y sama dengan variabel e
yaitu mengikuti distribusi normal dengan rata-rata nol dan varians 2
(homoscedasticity)
Istilah-istilah:
1. Kekeliruan (e), menggambarkan dua keadaan, yaitu:

- Kontribusi variabel-variabel independen lain yang tidak termasuk ke dalam
model
- Error of Measurement artinya pengukuran hanya terhadap sampeljadi pasti
akan ada kesalahan atau kekeliruan
2. Koefisien intercept, a, menyatakan berapa besarnya rata-rata Y jika X = 0
3. Koefisien regresi, b, menunjukkan besarnya perubahan nilai rata-rata Y jika X
berubah satu unit
4. Variabel bebas / independent variable / regression variable / predictor / variabel
explanatori (X)
5. Variabel tak bebas / dependent variable / regressent variable / explained variabel /
variabel respon (Y)
Contoh Garis Regresi:
e
e e
e
Taksiran Koefisien Regresi:
yˆ  a  bx

n
 n  n  n
n xi yi    xi   yi    xi  x  yi  y 
b  i 1  i 1  i 1   i 1
2 n
 n   xi  x  2

n
n xi    xi 
2
i 1  i 1  i 1
n n
y i  b xi
a i 1 i 1
 y  bx
n
Contoh Kasus : Percobaan dalam bidang lingkungan
Apakah semakin tua mobil semakin besar juga emisi HC yang dihasilkan?
Diambil contoh 10 mobil secara acak, kemudian dicatat jarak tempuh yang sudah dijalani
mobil (dalam ribu kilometer) dan diukur Emisi HC-nya (dalam ppm)
Dari perhitungan di atas diperoleh taksiran garis regresi adalah sbb:

Emisi = 351 + 5.503 Jarak
Pengujian Hipotesis
 Rumusan Hipotesis
H0 : b = 0
H1 : b  0
bb
t
 Statistik Uji s / S xx
di mana t berdistribusi t-student dengan derajat kebebasan n -2

n
  y  yˆ  i
2
s2  i 1
dengan : n2 disebut MSE (Mean Squared Error)
 x  2
S xx  x 2
i 
n
i
 Aturan Keputusan:
Tolak Ho jika : thitung < - t(1 - a/2) ; n – 2 atau thitung > t(1 - a/2) ; n – 2
 Keputusan
 Kesimpulan
7.2 ANALISIS REGRESI LINIER MULTIPEL
Regresi linier majemuk merupakan generalisasi dari regresi linier sederhana dan memiliki
model umum:
Y = a + b1X1 + b2X2 + … + bkXk + e

Model regresi di atas dapat didekati dengan menggunakan data sampel sehingga
didapatkan model yang di-fit-kan:
Yˆ = a + b1X1 + b2X2 + … + bkXk
Penyelesaian dengan Menggunakan Matriks
SSE   y  Xb '  y  Xb 
Untuk meminimasikan SSE:


 SSE   0
b
Solusi yang akan didapatkan adalah:
 X ' X  b  X' y
Partisi Variasi

CONTOH KASUS
KASUS 8 : REGRESI LINIER SEDERHANA
Dengan menggunakan data yang terdapat pada contoh kasus korelasi pearson, tentukan
apakah terdapat pengaruh yang signifikans dari “Waktu Tayang” terhadap “Persentase
Peningkatan Penjualan”
Proses Analisis dengan Mengguakan Software SPSS
Langkah Kerja :
a. Klik : “Analize  Regression  Linear”

b. Masukan variabel “Waktu Tayang” pada ruang ”Dependent ” dan variabel
“Persentase Peningkatan Penjualan” pada ruang “Independent”
c. Biarkan pilihan “Enter” pada bagian Method
d. Abaikan pilihan yang lain seperti yang nampak pada gambar berikut:
Gambar VII.1

2. Klik “Ok”, hasilnya sebagai berikut:
Keterangan :
Model yang diajukannya adalah sebagai berikut :
Yˆ  bˆ0  bˆ1 X 1
Adapun hasil outputnya diperoleh sebagai berikut :
Tabel 1.
Variables Entered/Removedb
Variables Variables
Model Entered Removed Method
1 Waktu a
. Enter
Tayang
a. All requested variables entered.
b. Dependent Variable: Persentase
Peningkatan Penjualan
Tabel 2 :

Model Summary
Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .923a .851 .833 2.624
a. Predictors: (Constant), Waktu Tayang
Dari table di atas dapat diperoleh beberapa keterangn sebagai berikut :
- Angka R sebesar 0.923 yang menunjukkan bahwa korelasi (keeratan hubungan)

antara kepuasan dengan loyalitas pasien adalah sangat erat (Kriteria Guilford, 1956)
- Koefisien determinasi dapat dilihat pada R square sebesar R2 = (0.923 x 0.923) =
0.851 yang berarti bahwa 85.1 % variasi dari indeks prestasi bisa dijelaskan oleh
variasi dari kedua variable independennya. Sedangkan sisanya sebesar 14.9 %
(100% - 85.1%) dijelaskan oleh sebab-sebab lain yang tidak disertakan dalam
analisis. (Catatan : apabila jumlah variable independent lebih dari dua, maka lebih
baik digunakan Adjusted R Square)
- Standard Error of Estimate (SSE) adalah 2,624 yang menunjukkan besarnya
penyimpangan yang mungkin terjadi.
Tabel 3
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 315.429 1 315.429 45.821 .000a
Residual 55.071 8 6.884
Total 370.500 9
a. Predictors: (Constant), Waktu Tayang
b. Dependent Variable: Persentase Peningkatan Penjualan
Tabel diatas menunjukkan statistik yang digunakan untuk uji secara overall dengan
rumusasn hipotesis sebagai berikut :
H0 : b0 = b1 = 0 (nilai dari koefisien tidak bermakna)
H1 : paling sedikit ada satu koefisien yang bermakna
Resiko kekeliruan yang diajukan sebesar 5 % ( a = 5 %)

Ternyata pada table Anova di atas diperoleh F hitung sebesar 45,821 dengan tingkat
signifikansi 0.000. Karena tingkat signifikansi tersebut jauh lebih kecil dari a = 0.05, maka
H0 ditolak yang menunjukkan bahwa pengujiannya signifikan, yaitu dengan resiko kekeliruan
5 % maka paling sedikit ada satu koefisien yang memilikinilai yang bermakna.
Karena pengujian secara overall menunjukkan adanya pengaruh, maka tugas

selanjutnya adalah ingin diketahui koefisien mana saja yang secara nyata memberikan
pengaruh terhadap model. Hal ini bisa dilakukan melalui pengujian secara individu untuk
masing- masing koefisien regresi yang ada dengan rumusan hipotesis sebagai berikut :
H0 : bi = 0
H1 : bi  0
Pengambilan keputusan :
- jika probabilitas > 0.05 maka H0 diterima

- jika probabilitas < 0.05 maka H0 ditolak
Dari output diperoleh sebagai berikut :
Tabel 4
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 44.340 2.950 15.033 .000
Waktu Tayang .459 .068 .923 6.769 .000
a. Dependent Variable: Persentase Peningkatan Penjualan
Keputusan : Dari table di atas terlihat bahwa ternyata semua koefisien baik itu
intercept (b0) maupun slope (b1) mempunyai nilai sig. yang jauh di bawah a = 5%, yaitu
sebesar 0,000 maka H0 ditolak. Hal ini menunjukkan bahwa kedua koefisien tersebut
bermakna sehingga diperoleh suatu model regresi taksiran sebagai berikut :
Yˆ  44,340  0.459 X 1

Dari model di atas dapat dilihat bahwa ternyata Waktu Tayang memberikan pengaruh yang
positif. Hal ini menunjukkan bahwa semakin bertambah Waktu Tayang, maka Persentase
Peningkatan Penjualan akan semakin bertambah pula.
KASUS 9 . REGRESI LINIER SEDERHANA
Penelitian mengenai prestasi kerja, dinyatakan dalam indeks prestasi (Y), terhadap 15 orang
pegawai telah dilakukan yang ditinjau dari skor tes kemampuan teoritis pada waktu masuk
diterima menjadi pegawai (X1) dan skor tes keterampilan atau kemampuan praktis (X 2). Tujuan
penelitian ini ingin melihat hubungan dan pertautan antara X1 dan X2 sebagai prediktor dan Y
sebagai respon. Karena ada dugaan kuat bahwa prestasi kerja dapat diramalkan oleh kemampuan
dan keterampilan. Data yang diperoleh adalh sebagai berikut:
No. Y X1 X2
1 10 70 41
2 11 71 43
3 12 72 46
4 15 73 47
5 11 74 45
6 12 75 48
7 13 78 49
8 14 79 48
9 15 76 49
10 18 80 48
11 15 82 49
12 14 81 52
13 13 83 42
14 15 84 40
15 18 84 39

Lakukan analisis regresi linier terhadap data tersebut.
Jawaban :
Model yang diajukannya adalah sebagai berikut :
Yˆ  bˆ 0  bˆ1 X 1  bˆ 2 X 2
Adapun hasil outputnya diperoleh sebagai berikut :
Tabel 1.
Variables Entered/Removed b
Variables
Model Variables Entered Removed Method
1 Skor Keterampilan,a
. Enter
Skor Kemampuan
a. All requested variables entered.
b. Dependent Variable: Indeks Prestasi
Tabel 2 :
Model Summary

1 .700a .491 .406 1.830
a. Predictors: (Constant), Skor Keterampilan, Skor
Kemampuan

antara kepuasan dengan loyalitas pasien adalah erat (Kriteria Guilford, 1956)

analisis. (Catatan : apabila jumlah variable independent lebih dari dua, maka lebih
baik digunakan Adjusted R Square)
- Standard Error of Estimate (SSE) adalah 1.830 yang menunjukkan besarnya
Tabel 3
ANOVA b
Sum of
Model Squares df Mean Square F Sig.
1 Regression 38.725 2 19.362 5.779 .017a
Residual 40.209 12 3.351
Total 78.933 14
a. Predictors: (Constant), Skor Keterampilan, Skor Kemampuan
b. Dependent Variable: Indeks Prestasi
Tabel diatas menunjukkan statistik yang digunakan untuk uji secara overall (melibatkan
semua variable indepennya) dengan rumusasn hipotesis sebagai berikut :
H0 : b1 = b2 = 0 (variable independent tidak memberikan pengaruh terhadap variable

dependennya)
H1 : paling sedikit ada satu variable independent yang memmberikan pengaruh terhadap
variabel dependennya
Resiko kekeliruan yang diajukan sebesar 5 % ( a = 5 %)
Ternyata pada table Anova di atas diperoleh F hitung sebesar 5.799 dengan tingkat
signifikansi 0.017. Karena tingkat signifikansi tersebut jauh lebih kecil dari a = 0.05, maka
H0 ditolak yang menunjukkan bahwa pengujiannya signifikan, yaitu dengan resiko kekeliruan
5 % maka paling sedikit ada satu variable independent yang memberikan pengaruh
terhadap variabel dependennya.
Karena pengujian secara overall menunjukkan adanya pengaruh dari variable

independennya, maka tugas selanjutnya adalah ingin diketahui variable mana saja yang
secara nyata memberikan pengaruh tersebut. Hal ini bisa dilakukan melalui pengujian

secara individu untuk masing- masing variable independent yang ada dengan rumusan
hipotesis sebagai berikut :
H0 : bi = 0
H1 : bi  0
Pengambilan keputusan :
- jika probabilitas > 0.05 maka H0 diterima

- jika probabilitas < 0.05 maka H0 ditolak
Dari output diperoleh sebagai berikut :
Tabel 4
Coefficients a
1 (Constant) -16.036 10.057 -1.595 .137
Skor Kemampuan .344 .102 .698 3.383 .005
Skor Keterampilan .069 .126 .112 .544 .597
a. Dependent Variable: Indeks Prestasi
Keputusan : Dari table di atas terlihat bahwa ternyata variable Skor Kemampuan (X1)
mempunyai angka signifikan di bawah 0.05. Oleh karena itu H 0 ditolak, yang menunjukkan
bahwa variable tersebut memang mempengaruhi Indeks Prestasi (Y). Sedangkan untuk
Skor Keterampilan (X2) mempunyai angka signifikan di atas 0.05. Oleh karena itu H 0
diterima, yang menunjukkan bahwa variable tersebut tidak mempengaruhi Indeks Prestasi
(Y).
Oleh karena ada salah satu variable yang tidak berpengaruh secara nyata, maka
proses analisis diulang kembali dengan tanpa melibatkan variable yang tidak berpengaruh
tersebut. Adapun hasil output yang diperolehnya adalah sebagai berikut :
Model Summary

1 .691a .478 .438 1.780
a. Predictors: (Constant), Skor Kemampuan


antara kepuasan dengan loyalitas pasien adalah moderaT (Kriteria Guilford, 1956)
analisis.
- Standard Error of Estimate (SSE) adalah 1.780 yang menunjukkan besarnya
Coefficients a
1 (Constant) -12.633 7.655 -1.650 .123
Skor Kemampuan .340 .099 .691 3.451 .004
a. Dependent Variable: Indeks Prestasi
H0 : b1 = 0 (skor kemampuan tidak memberikan pengaruh terhadap indeks prestasi)
H1 : Tidak demikian
a = 0.05
Keputusan : Terlihat bahwa ternyata variable Skor Kemampuan (X1) mempunyai angka
signifikan 0.004, di bawah 0.05. Oleh karena itu H 0 ditolak, yang menunjukkan bahwa
variable tersebut memang mempengaruhi Indeks Prestasi (Y).
Sehingga dari hasil perhitungan tersebut diperoleh suatu model regresi taksiran
sebagai berikut :
Yˆ   12.633  0.340 X 1
Dari model di atas dapat dilihat bahwa ternyata skor kemampuan memberikan pengaruh
yang positif. Hal ini menunjukkan bahwa semakin bertambah kemapuan pekerja, maka
indeks prestasinya akan semakin bertambah pula.

Daftar Pustaka
1. Anderson, Sweeney and Williams. (2011). Statistics for Business and Economics,
11th edition, South-Western Cengage Learning.
2. Sudjana, Metode Statistika, Tarsito, Bandung, 2002
3. Supranto, J, Statistik (Teori dan Aplikasi), Erlangga, Jakarta, 1998
4. Ronald E. Walpole, Ilmu Peluang dan Statistika Untuk Insinyur dan Ilmuwan, ITB
Bandung,1995.


Modul Statistik Bisnis (TM14)

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Modul Statistik Bisnis (TM14)

Uploaded by

Copyright:

Available Formats

MODUL PERKULIAHAN

Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

 Regresi Linier Sederhana

Model Dasar Regresi Linier Sederhana

a adalah parameter intercept

b adalah parameter slope

e adalah residual yang merupakan variabel random dengan

E(e) = 0 dan berdistribusi normal

Syarat variabel dalam regresi:

 Variabel X dan Y memiliki skala pengukuran sekurang-kurangnya interval

‘16 Statistik Bisnis

1. Kekeliruan (e), menggambarkan dua keadaan, yaitu:

Contoh Garis Regresi:

Taksiran Koefisien Regresi:

‘16 Statistik Bisnis

Contoh Kasus : Percobaan dalam bidang lingkungan

Dari perhitungan di atas diperoleh taksiran garis regresi adalah sbb:

‘16 Statistik Bisnis

di mana t berdistribusi t-student dengan derajat kebebasan n -2

dengan : n2 disebut MSE (Mean Squared Error)

7.2 ANALISIS REGRESI LINIER MULTIPEL

Y = a + b1X1 + b2X2 + … + bkXk + e

‘16 Statistik Bisnis

Yˆ = a + b1X1 + b2X2 + … + bkXk

Penyelesaian dengan Menggunakan Matriks

SSE   y  Xb '  y  Xb 

Untuk meminimasikan SSE:

Solusi yang akan didapatkan adalah:

‘16 Statistik Bisnis

KASUS 8 : REGRESI LINIER SEDERHANA

Proses Analisis dengan Mengguakan Software SPSS

a. Klik : “Analize  Regression  Linear”

‘16 Statistik Bisnis

Model yang diajukannya adalah sebagai berikut :

Adapun hasil outputnya diperoleh sebagai berikut :

‘16 Statistik Bisnis

Adjusted Std. Error of

Dari table di atas dapat diperoleh beberapa keterangn sebagai berikut :

- Angka R sebesar 0.923 yang menunjukkan bahwa korelasi (keeratan hubungan)

H0 : b0 = b1 = 0 (nilai dari koefisien tidak bermakna)

H1 : paling sedikit ada satu koefisien yang bermakna

Resiko kekeliruan yang diajukan sebesar 5 % ( a = 5 %)

‘16 Statistik Bisnis

Karena pengujian secara overall menunjukkan adanya pengaruh, maka tugas

- jika probabilitas > 0.05 maka H0 diterima

‘16 Statistik Bisnis

KASUS 9 . REGRESI LINIER SEDERHANA

‘16 Statistik Bisnis

Model yang diajukannya adalah sebagai berikut :

Adapun hasil outputnya diperoleh sebagai berikut :

Adjusted Std. Error of

Dari table di atas dapat diperoleh beberapa keterangn sebagai berikut :

- Angka R sebesar 0.700 yang menunjukkan bahwa korelasi (keeratan hubungan)

‘16 Statistik Bisnis

H0 : b1 = b2 = 0 (variable independent tidak memberikan pengaruh terhadap variable

Resiko kekeliruan yang diajukan sebesar 5 % ( a = 5 %)

Karena pengujian secara overall menunjukkan adanya pengaruh dari variable

‘16 Statistik Bisnis

- jika probabilitas > 0.05 maka H0 diterima

Adjusted Std. Error of

‘16 Statistik Bisnis

- Angka R sebesar 0.691 yang menunjukkan bahwa korelasi (keeratan hubungan)

H0 : b1 = 0 (skor kemampuan tidak memberikan pengaruh terhadap indeks prestasi)