REGRESI LINIER SEDERHANA

• Pengertiannya:

     Regresi merupakan suatu alat ukur yang juga dapat digunakan untuk mengukur ada atau tidaknya korelasi antarvariabel. Jika kita memiliki dua buah variabel atau lebih maka sudah selayaknya apabila kita ingin mempelajari bagaimana variabel-variabel itu berhubungan atau dapat diramalkan

    Analisa regresi linier sederhana adalah hubungan secara linear antara satu variabel independen (X) dengan variabel dependen (Y). Analisis ini untuk mengetahui arah hubungan antara variabel independen dengan variabel dependen apakah positif atau negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel independen mengalami kenaikan atau penurunan.. Data yang digunakan biasanya berskala interval atau rasio.

• Contoh aplikasi perhitunganya dapat menggunakan perhitungan fungsi pada MS. Excel, atau menggunakan Software Statistik (dalam contoh ini digunakan SPSS)

 Rumus regresi linear sederhana :

Y' = a + bX 

Keterangan:

      Y'   = Variabel dependen (nilai yang diprediksikan)

      X    = Variabel independen

      a    = Konstanta (nilai Y’ apabila X = 0)

             b   = Koefisien regresi (nilai peningkatan ataupun penurunan)

Contoh Kasus 1 :

Pertanyaan: 1. Tentukan nilai a dan b ! 2. Buatkan persamaan garis regresinya ! 3. Berapa perkiraan omzet penjualan dari seorang marketing yang memiliki pengalaman kerjanya 3,5 tahun?

Penyelesaian:

tabel penolong regresiregresi linier sederhana

Dijawab:

  1. nilai a = 3,25 dan b = 1,25      

  2. Persamaan regresi liniernya adalah

Y = a + bX

= 3,25 + 1,25X

  1. Nilai duga Y , jika X = 3,5     

Y = a + bX

= 3,25 + 1,25X

= 3,25 + 1,25 (3,5)

= 7,625

Contoh kasus 2:

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 dengan bantuan program SPSS dengan alat analisis regresi linear sederhana. Data-data yang di dapat ditabulasikan sebagai berikut:

                     Tabel. Tabulasi Data Penelitian (Data Fiktif)

No	Biaya Promosi	Volume Penjualan
1	12,000	56,000
2	13,500	62,430
3	12,750	60,850
4	12,600	61,300
5	14,850	65,825
6	15,200	66,354
7	15,750	65,260
8	16,800	68,798
9	18,450	70,470
10	17,900	65,200
11	18,250	68,000
12	16,480	64,200
13	17,500	65,300
14	19,560	69,562
15	19,000	68,750
16	20,450	70,256
17	22,650	72,351
18	21,400	70,287
19	22,900	73,564
20	23,500	75,642

Langkah-langkah pada program SPSS

• Masuk program SPSS
• Klik variable view pada SPSS data editor
• Pada kolom Name ketik y, kolom Name pada baris kedua ketik x.
• Pada kolom Label, untuk kolom pada baris pertama ketik Volume Penjualan, untuk kolom pada baris kedua ketik Biaya Promosi.
• Untuk kolom-kolom lainnya boleh dihiraukan (isian default)
• Buka data view pada SPSS data editor, maka didapat kolom variabel y dan x. 
• Ketikkan data sesuai dengan variabelnya
• Klik Analyze  - Regression - Linear
• Klik variabel Volume Penjualan dan masukkan ke kotak Dependent, kemudian klik variabel Biaya Promosi dan masukkan ke kotak Independent.
• Klik Statistics, klik Casewise diagnostics, klik All cases. Klik Continue
• Klik OK, maka hasil output yang didapat pada kolom Coefficients dan Casewise Diagnostics adalah sebagai berikut:

              Tabel. Hasil Analisis Regresi Linear Sederhana

Persamaan regresinya sebagai berikut:

Y’ = a + bX

Y’ =  -28764,7 + 0,691X

Angka-angka ini dapat diartikan sebagai berikut:

- Konstanta sebesar -28764,7; artinya jika biaya promosi (X) nilainya adalah 0, maka volume penjulan (Y’) nilainya negatif yaitu sebesar -28764,7.

-  Koefisien regresi variabel harga (X) sebesar 0,691; artinya jika harga mengalami kenaikan Rp.1, maka volume penjualan (Y’) akan mengalami peningkatan sebesar Rp.0,691. Koefisien bernilai positif artinya terjadi hubungan positif antara harga dengan volume penjualan, semakin naik harga maka semakin meningkatkan volume penjualan.  

Nilai volume penjualan yang diprediksi (Y’) dapat dilihat pada tabel Casewise Diagnostics (kolom Predicted Value). Sedangkan Residual (unstandardized residual) adalah selisih antara Volume Penjualan dengan Predicted Value, dan Std. Residual (standardized residual) adalah nilai residual yang telah terstandarisasi (nilai semakin mendekati 0 maka model regresi semakin baik dalam melakukan prediksi, sebaliknya semakin menjauhi 0 atau lebih dari 1 atau -1 maka semakin tidak baik model regresi dalam melakukan prediksi).

SUMBER :  - http://id.wikipedia.org/wiki/Regresi_Linier_Sederhana

                  - http://duwiconsultant.blogspot.com/2011/11/analisis-regresi-linier-sederhana.html

                    -