1. BAB I
PENDAHULUAN
1.1 Latar Belakang
Dalam mengolah data seorang peneliti akan selalu berkepentingan
menentukan hubungan antara dua atau lebih peubah. Hubungan tersebut mungkin
renggang, seperti dalam asosiasi, atau mungkin pula erat. Pada satu pihak, dua
peubah mungkin bebas satu sama lain. Dalam keadaan seperti itu, korelasinya nol.
Pada pihak yang lain, kedua peubah bergantung sepenuhnya pada yang lain. Bila
hubungan kedua peubah tersebut linier (keduanya disebut kolinier) maka harga
mutlak korelasinya satu.
Dalam asosiasi kita hanya memasangkan nilai x dengan nilai y tanpa
mempersoalkan bentuk hubungan tersebut. Hubungan seperti ini merupakan yang
terlemah. Dalam penelitian, orang biasa bekerja menggunakan model, suatu
hubungan fungsional antara peubah. Dengan model itu kita berusaha memahami,
menerangkan, mengendalikan dan kemudian memprediksikan kelakuan sistem
yang kita teliti. Di sini digunakan istilah memprediksi dan bukan meramalkan.
Prediksi mempunyai arti yang khusus, yaitu inter atau ekstrapolasi. Model juga
menolong peneliti dalam menentukan hubungan kausal (sebab akibat) antara dua
atau lebih peubah.
Karena itu untuk mempermudah dalam melakukan penghitungan suatu
kejadian maka dapat digunakan salah satu metode analisis dalam ilmu
statistika yaitu analisis regresi linier sederhana.
1

2. 1.2 Rumusan Masalah
1) Apa pengertian dari regresi linier sederhana?
2) Hal-hal apa saja yang harus di penuhi dalam melakukan analisis
Regresi?
3) Bagaimana langkah-langkah mencari analisis regresi linear sederhana?
4) Persamaan dan interpretasikan Setiap hasil yang diperoleh?
1.3 Tujuan
1) Memberikan informasi dan wawasan mengenai apa itu analisis regresi
linier sederhana.
2) Mengukur kekuatan hubungan antara dua variabel dengan skala-skala
tertentu dalam regresi linear sederhana.
3) Mengetahui perenan variabel-variabel dalam analisis regresi linier
sederhana.
2

3. BAB II
PEMBAHASAN
2.1 Pengertian Regresi Linier Sederhana
Analisis regresi merupakan metode statistika yang amat banyak digunakan
dalam peneltian. Istilah regresi pertama kali diperkenalkan oleh Sir Francis Galton
pada tahun 1886. Galton menemukan adanya hubungan bahwa orang tua yang
memeliki tubuh tinggi memiliki anak-anak yang tinggi pula, orang tua yang
pendek memiliki anak-anak yang pendek pula. Kendati demikian ia mengamati
bahwa adanya kecenderungan tinggi anak, cenderung bergerak menuju rata-rata
tinggi populasi secara menyeluruh. Dengan kata lain, ketinggian anak yang amat
tinggi atau orang tua yang amat pendek cenderung bergerak kearah tinggi populasi
(Hutami, 2014).
Dalam regresi linier sederhana, metode yang biasa digunakan dalam
mengestimasi parameter regresi adalah metode kuadrat terkecil atau Ordinary
Least Squares (OLS). Konsep metode ini adalah untuk mengestimasi parameter
dengan memilih garis regresi yang terdekat dengan garis dari semua data. Secara
matematika penentuan parameter regresi ini dengan cara meminimumkan jumlah
kuadrat dari residualnya (Walpole, 1986).
Secara umum regresi adalah studi mengenai ketergantungan satu variabel
(variabel tak bebas/ variabel respon) dengan satu atau lebih variabel bebas/
variabel penjelas. Hasil dari analisi regresi merupakan suatu persamaan, yaitu
persamaan matematika. Persamaan tersebut digunakan sebagai prediksi. Dengan
demikian analisis regresi sering disebut dengan analisis prediksi. Karena
3

4. merupakan prediksi, maka nilai prediksi tidak selalu tepat dengan nilai realnya,
semakin kecil tingkat penyimpangannya antar prediksi dengan nilai riilnya, maka
semakin tepat persamaan regresi yang dibentuk (Hutami, 2014).
Analisis regresi dikelompokkan menjadi dua bagian yaitu analisis regresi
sederhana (analisis regresi tunggal) dan analisis regresi ganda. Regresi sederhana
dimaksudkan untuk menganalisis hubungan antara satu variabel bebas (X) dengan
satu variabel terikat (Y). Regresi berganda digunakan untuk analisis hubungan
dua atau lebih variabel bebas (misalnya X1 dan X2) dengan satu variabel terikat
(Y) (Hutami, 2014).
2.2 Asumsi Penggunaan Regresi
Menurut Sarwono (2009), penggunaan analisis regresi sederhana
didasarkan pada asumsi di antaranya sebagai berikut:
 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.
 Tidak terjadi otokorelasi.
 Model regresi dispesifikasi secara benar. Tidak terdapat bias spesifikasi
dalam model yang dugunakan dalam analisis empiris.
 Jika variabel bebas lebih dari satu, maka antara variabel bebas
(explanatory) tidak ada hubungan linier yang nyata.
2.3 Kasus
Seorang mahasiswa bernama Hermawan ingin meneliti tentang pengaruh
biaya promosi terhadap volume penjualan pada perusahaan jual beli motor.
Dengan ini di dapat variabel dependen (Y) adalah volume penjualan dan variabel
independen (X) adalah biaya promosi. Dengan ini Hermawan menganalisis
4

5. dengan bantuan program SPSS dengan alat analisis regresi linear sederhana. Data-
data yang di dapat ditabulasikan sebagai berikut:
Nomor Biaya Promosi Volume Penjualan
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
12,000
13,500
12,750
12,600
14.850
15,200
15,750
16,800
18,450
17,900
18,250
16,480
17,500
19,560
19,000
20,450
22,650
21,400
22,900
23,500
56,000
62,430
60,850
61,300
65,825
66,354
65,260
68,798
70,470
65,200
68,000
64,200
65,300
69,562
68,750
70,256
72,351
70,287
73,564
75,642
Gambar 2.2.1 (Tabel Data kasus)
2.4 Penyelesaian
2.4.1 Menganalisis Data di SPSS
Langkah-langkah dalam menganalisis data di SPSS untuk analisis
regresi linier sederhana adalah sebagai berikut :
a) Membuka program SPSS
5

6. Gambar 2.4.1.1 (Program SPSS)
b) Memasukkan variabel di variable view
Gambar 2.4.1.2 (Variable view)
c) Memasukkan data pada data view
Gambar 2.4.1.3 (Data View)
d) Memilih menu analyze kemudian pilih regression, baru klik linear
6

7. Gambar 2.4.1.4 (Menu Analyze)
e) Pada linear regression memasukkan biaya promosi pada kolom
independentcdan volume penjualan pada kolom dependent.
Gambar 2.4.1.5 (Linear regression)
f) Memilih options dan memilih stepping method criteria, masukkan
angka 0,05 pada kolom entry lalu pada pilihan missing values, cek
exclude cases listwise, lalu continue
7

8. Gambar 2.4.1.6 (linear regression options)
g) Memilih statistic, lalu pada pilihan regression coefficient pilih
estimate, model fit dan descriptive. Pada pilihan residual, pilih case
wise diagnostics dan cek All cases dan continue
Gambar 2.4.1.7 (linear regression statistics)
h) Memilih plot, mengisi kolom X dengan pilihan ZPRED dan kolom Y
dengan SDRESID, lalu next
Gambar 2.4.1.8 (linear regression plot)
i) Mengisi kembali kolom Y dengan ZPRED dan kolom X dengan
DEPENDENT, cek normal probalility plot lalu continue. Klik Ok.
8

9. Gambar 2.4.1.9 (linear regression plot)
2.4.2 Hasil Output dan Interpretasi
Descriptive Statistics
Mean Std. Deviation N
Volume Penjualan 67.01995 4.727826 20
Biaya Promosi 17.57450 3.504362 20
Gambar 2.4.2.1 ( Tabel Descriptive Statistics)
Intrerpretasi:
Correlations
Volume
Penjualan
Biaya Promosi
Pearson Correlation
Volume Penjualan 1.000 .933
Biaya Promosi .933 1.000
Sig. (1-tailed)
Volume Penjualan . .000
Biaya Promosi .000 .
N
Volume Penjualan 20 20
Biaya Promosi 20 20
Gambar 2.4.2.2 (Tabel Correlations)
Variables Entered/Removeda
Model Variables
Entered
Variables
Removed
Method
1 Biaya Promosib
. Enter
a. Dependent Variable: Volume Penjualan
b. All requested variables entered.
Gambar 2.4.2.3 (Tabel Variables Entered/Removed)
9

10. Model Summaryb
Model R R Square Adjusted R
Square
Std. Error of the
Estimate
1 .933a
.870 .863 1.750353
a. Predictors: (Constant), Biaya Promosi
b. Dependent Variable: Volume Penjualan
Gambar 2.4.2.4 (Tabel Model Summary)
ANOVAa
Model Sum of
Squares
df Mean
Square
F Sig.
1
Regression 369.547 1 369.547 120.620 .000b
Residual 55.147 18 3.064
Total 424.694 19
a. Dependent Variable: Volume Penjualan
b. Predictors: (Constant), Biaya Promosi
Gambar 2.4.2.5 (Tabel ANOVA)
Coefficientsa
Model Unstandardized
Coefficients
Standardize
d
Coefficients
t Sig.
B Std. Error Beta
1
(Constant) 44.903 2.052 21.888 .000
Biaya
Promosi
1.258 .115 .933 10.983 .000
a. Dependent Variable: Volume Penjualan
Gambar 2.4.2.6 (Tabel Coefficients)
Casewise Diagnosticsa
Case Number Std. Residual Volume
Penjualan
Predicted Value Residual
1 -2.288 56.000 60.00451 -4.004507
2 .307 62.430 61.89224 .537761
3 -.056 60.850 60.94837 -.098373
4 .309 61.300 60.75960 .540400
5 1.276 65.825 63.59120 2.233801
6 1.327 66.354 64.03167 2.322330
10

11. 7 .306 65.260 64.72384 .536162
8 1.573 68.798 66.04525 2.752749
9 1.342 70.470 68.12176 2.348244
10 -1.274 65.200 67.42959 -2.229588
11 .074 68.000 67.87006 .129941
12 -.824 64.200 65.64253 -1.442535
13 -.929 65.300 66.92619 -1.626193
14 .025 69.562 69.51868 .043322
15 -.037 68.750 68.81393 -.063925
16 -.219 70.256 70.63873 -.382733
17 -.604 72.351 73.40741 -1.056407
18 -.884 70.287 71.83430 -1.547297
19 -.090 73.564 73.72203 -.158029
20 .666 75.642 74.47712 1.164878
a. Dependent Variable: Volume Penjualan
Gambar 2.4.2.7 ( Tabel Casewise Diagnostics)
Residuals Statisticsa
Minimum Maximu
m
Mean Std.
Deviation
N
Predicted Value 60.00451
74.4771
2
67.0199
5
4.410198 20
Std. Predicted Value -1.591 1.691 .000 1.000 20
Standard Error of
Predicted Value
.391 .784 .537 .139 20
Adjusted Predicted
Value
60.65968
74.1850
3
67.0445
2
4.371980 20
Residual
-
4.004507
2.75274
9
.000000 1.703669 20
Std. Residual -2.288 1.573 .000 .973 20
Stud. Residual -2.531 1.616 -.007 1.031 20
Deleted Residual
-
4.902560
2.90549
3
-.024567 1.915486 20
Stud. Deleted
Residual
-3.066 1.698 -.025 1.118 20
Mahal. Distance .000 2.859 .950 .984 20
Cook's Distance .000 .719 .064 .157 20
Centered Leverage
Value
.000 .150 .050 .052 20
a. Dependent Variable: Volume Penjualan
11

12. Gambar 2.4.2.8 (Tabel Residuals Statistics)
Gambar 2.4.2.9 ( Grafik Normal P-P Plot of Regression Standardized
Residual)
Gambar 2.4.2.10 (Grafik Scatterplot)
12

13. 2.4.3 Hipotesis
Hipotesis dari pengaruh antara X (biaya promosi) terhadap Y
(volume penjualan) adalah sebagai berikut :
H0 : Tidak ada pengaruh antara X (biaya promosi) terhadap Y
(volume penjualan)
H1 : Ada pengaruh antara X (biaya promosi) terhadap Y (volume
penjualan)
2.4.4 Taraf Pengambilan Keputusan
Kriteria yang menunjukkan kuat atau lemahnya korelasi.
Kriterianya sebagai berikut:
0 : tidak ada korelasi
0 – 0,25 : korelasi sangat lemah
0,25 – 0,5 : korelasi cukup
0,5 – 0, 75 : korelasi kuat
0,75 – 0,99 : korelasi sangat kuat
1 : korelasi sempurna
Signifikasi hubungan 2 variabel dapat dianalisis dengan ketentuan
sebagai berikut :
 Jika probabilitas atau signifikasi < 0,05, hubungan kedua variabel
signifikan.
 Jika probabilitas atau signifikasi > 0,05, hubungan kedua variabel tidak
signifikan.
2.4.5 Interpretasi
a) Statistik Deskriptif
 Rata-rata volume penjualan ialah sebesar 67,01995 dan
rata-rata biaya produksi sebesar 17,57450 selama satu
bulan.
13

14.  Standar deviasi variabel volume penjualan ialah sebesar
4,727826 sedang untuk variabel biaya produksi sebesar
3,504362.
b) Correlations
 Hubungan antara variabel biaya produksi dan volume
penjualan ialah 0,933. Artinya hubungan kedua variabel
tersebut sangat kuat. Korelasi positif menunjukkan bahwa
kedua variabel searah. Artinya jika biaya produksi besar,
maka volume penjualan juga akan meningkat.
 Hubungan antara variabel biaya produksi dan volume
penjualan signifikan jika dilihat dari angka signifikasi (sig)
sebesar 0.000 yang lebih kecil dari 0,05. Ini menunjukkan
adanya hubungan signifikan antara kedua variabel tersebut.
c) Variabel Entered
 Hanya ada variabel yang akan dianalisis yang dimasukkan
dan tidak ada variabel yang dikeluarkan karena
menggunakan metode “enter”
d) Model Summary
 Angka R square atau koefisien determinasi (angka korelasi
yang dikuadratkan atau 0,9332
) sebesar 0,870 atau sama
dengan 93,3%. Angka tersebut berarti bahwa sebesar 93,9%
volume penjualan yang dihasilkan dapat dijelaskan dengan
menggunakan biaya produksi . sedangkan sisanya yaitu
6,1% harus dijelaskan oleh factor penyebab lain.
 Besarnya standar error of the Estimate (SEE) ialah
1.750353 untuk volume penjualan. Jika angka tersebut
dibandingkan dengan angka standar devisiasi (STD),
14

15. sebesar 4,727826, maka angka SEE ini lebih kecil. Ini
berarti angka SEE ini baik dijadikan angka predictor dalam
menentukan besarnya volume penjulan.
e) Tabel ANOVA
 Uji ANOVA menghasilkan angka F sebesar 120.620 dengan
tingkat signifikasi (angka probabilitas) sebesar 0,000. Karena angka
probabilitas 0,000 < 0,05. Model regresi ini sudah layak untuk
digunakan dalam memprediksi variabel tergantung, maka angka
signifikasi (sig) harus <dari 0,05.
f) Koefisien Regresi
Persamaan regresinya adalah :
Y = a + bX
Dimana :
Y : volume penjualan
X : biaya produksi
 a = angka konstan dari Unserstandardized coefficient pada
kasus ini sebesar 44,903. Angka ini berupa angka konstan
yang mempunyai arti : jika tidak ada tambahan satu
penjualan, maka biaya produksi tidak langsung akan
berkurang sebesar 44,903.
 b = angka koefisien regresi sebesar 1,258. Angka tersebut
berarti bahwa setiap penambahan 1 biaya promosi, maka
volume penjualan akan meningkat sebesar 1,258.
 Oleh karena itu, persamaannya menjadi:
Y = 44,903 + 1,258 X
 Hipotesis
H0 = koefisien regresi tidak signifikan
H1 =koefisien regresi signifikan
 Keputusan
T hitung = 10,983
T table = 1,734 (hasil dari table)
15

16. Karena t hitung (10,983) > t table (1,734), maka H0 ditolak
dan H1 diterima yang artinya koefisien reresi signifikan.
16

17. BAB III
PENUTUP
3.1. Kesimpulan
Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik
pengukuran asosiasi / hubungan (Measures of association). Teknik ini berguna
untuk mengukur kekuatan hubungan antara dua variabel (kadang lebih dari dua
variabel) dengan skala-skala tertentu.
3.2. Saran
Dalam mempelajari SPSS utamanya analisis korelasi sebaiknya
mahasiswa lebih mendalami aplikasi tersebut agar dapat menentukan hipotesisi
dan dapat di aplikasikan dalam suatu hasil penelitian .
17

18. DAFTAR PUSTAKA
Sarwono,Jonathan. 2009. Panduan Lengkap untuk Belajar Komputasi Statistik
Menggunakan SPSS 16. ANDI, Yogyakarta.
18

19. PRAKTIKUM
STATISTIK DAN DESAIN PENELITIAN
RANCANGAN ACAK LENGKAP
OLEH:
MERY GITA
G 301 14 010
PRODI KIMIA
JURUSAN KIMIA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
19

20. UNIVERSITAS TADULAKO
2016
20